Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Imágenes médicas
TOM
Tomografı́a
TOM
Proyección
TOM
Tomógrafo
TOM
Método
TOM
Método
TOM
Sinogramas
TOM
Tomografı́a por Impedancias Eléctricas
TOM
Hardware
TOM
Introducción al problema
TOM
Condiciones de borde
TOM
Problema a Resolver
Problema Inverso
d ∈ D 7→ m ∈ M.
D ⊆ H 1/2 siendo H 1/2 el espacio de Sobolev de orden 1/2.
M = {m ∈ L∞ tal que essı́nf m > 0}.
Problema Directo
h : M 7→ D.
d = h(m) No lineal.
d = Hm Lineal.
TOM
Problema Inverso Mal Condicionado
h(m) − d = 0
Existen errores en medidas y en modelado.
Problema Mal Condicionado según Hadamard
La solución no existe, ó
La solución no es única, ó
La solución no es continua en los datos, de forma que
pequeñas perturbaciones en los datos llevan a errores
arbitrariamente grandes en el modelo reconstruido.
TOM
Mı́nimos Cuadrados
TOM
Decaimiento Valores Singulares
Utilizando la ortonormalidad de V :
r
X
d= λi (vT
i m)ui (2)
i=1
TOM
Decaimiento Valores Singulares
Número de Condición de H
λ1
cond(H) = (3)
λr
TOM
Solución al Problema de Mı́nimos Cuadrados
En términos de la SVD
M
X uT di
mMC = vi (4)
λi
i=1
TOM
Regularización
Regularización TSVD
z
X uT d i
mTSVD = vi (5)
λi
i=1
TOM
Regularización de Tijonov
TOM
Estimador Maximum a Posteriori
Π(d|m)Π(m)
Π(m|d) = (10)
Π(d)
TOM
Estimador Maximum a Posteriori
TOM
Estimador Maximum a Posteriori
1 −1
mMAP = arg mı́n [(d − h(m))T Cruido (d − h(m)) + (14)
2
−1
(m − m0 )T Cm (m − m0 )]
TOM
Regularización de Tijonov
Solución Regularizada
m(α,L,m0 ) = (H T H + αLT L)−1 (H T d + αLT Lm0 ) (15)
TOM
Regularización de Tijonov
TOM
Variación Total
Derivada Distribucional
Sea Ω un subconjunto acotado de Rn .
u una función en L1 (Ω).
Z Z
|Du| = sup{ udivϕdx; (19)
Ω Ω
ϕ = (ϕ1 , ϕ2 , ..., ϕn ) ∈ C01 (Ω)N , |ϕ|L∞ (Ω) ≤ 1}
PN ∂ϕi
divϕ = i=1 ∂xi (x).
dx es la medida de Lebesgue.
C01 (Ω)N es el conjunto de funciones continuas diferenciables
con soporte compacto en Ω.
qP
|ϕ|L∞ (Ω) = supx 2
i ϕi (x).
TOM
Variación Total
Variación Total de u
Z
TV (u) = |Du| (21)
Ω
B
f1 (x)
f2 (x) f3 (x)
A
TOM
Variación Total
Algoritmo de Chambolle
TOM
Datos Simulados
TOM
Figura: Modelo del que partimos para simular los datos
TOM
Regularización por TSVD
TOM
(a) 2 % de valores los singulares (b) 10 % de valores los singulares
Figura: Regularización mediante TSVD, reconstrucción del modelo sin
ruido en las medidas
TOM
(a) 2 % de valores los singulares (b) 10 % de valores los singulares
Figura: Regularización mediante TSVD, reconstrucción del modelo con
ruido en las medidas
TOM
Regularización por Tijonov
Tijonov Estándar
Como matriz de regularización se utiliza la Identidad L = I .
RM = (J T J + αI )−1 J T .
mREC = RM(d2 − d1 ).
α = 1 × 10−2 .
NOSER
√
L = L = diag( J T J).
RM = (J T J + αLT L)−1 J T .
mREC = RM(d2 − d1 ).
α = 1 × 10−1 .
TOM
(a) Sin ruido en las medidas (b) Con ruido en las medidas
Figura: Regularización mediante Tijonov, método estándar
TOM
(a) Sin ruido en las medidas (b) Con ruido en las medidas
Figura: Regularización mediante Tijonov, método NOSER
TOM
Regularización por TV
TOM
(a) 2 iteraciones (b) 10 iteraciones
Figura: Regularización mediante Variación Total, reconstrucción del
modelo sin ruido en las medidas.
TOM
(a) 2 iteraciones (b) 10 iteraciones
Figura: Regularización mediante Variación Total, reconstrucción del
modelo con ruido en las medidas.
TOM
Datos Reales
TOM
(a) Método de Tijonov estándar (b) Método NOSER
Figura: Reconstrucción de secuencia de respiración, comparación de
métodos.
TOM
(a) Método TSVD (b) Método TV
Figura: Reconstrucción de secuencia de respiración, comparación de
métodos.
TOM
(a) Método de Tijonov estándar (b) Método NOSER
Figura: Reconstrucción en el momento final de la inspiración,
comparación de métodos.
TOM
(a) Método TSVD (b) Método TV
Figura: Reconstrucción en el momento final de la inspiración,
comparación de métodos.
TOM