Rev Esp Med Nucl Imagen Mol.

2018;37(4):229–236

ORIGINAL

Caracterización y simulación de ruido en las imágenes de PET

reconstruidas con OSEM: desarrollo de un método para la generación
de imágenes sintéticas
P. Castro a,∗ , C. Huerga b , P. Chamorro a , J. Garayoa c , M. Roch a y L. Pérez a
a
Servicio de Radiofísica, Hospital Universitario de La Princesa, Madrid, España
b
Servicio de Radiofísica y Protección Radiológica, Hospital Universitario La Paz, Madrid, España
c
Servicio de Protección Radiológica, Hospital Universitario Fundación Jiménez Díaz, Madrid, España

información del artículo r e s u m e n

Historia del artículo: Introducción: Los objetivos del trabajo son caracterizar las propiedades de la imagen 2 D PET reconstruida
Recibido el 11 de julio de 2017 mediante el algoritmo ordered-subset expectation maximization (OSEM) y proponer un nuevo método
Aceptado el 25 de octubre de 2017 de generación de imágenes sintéticas.
On-line el 17 de abril de 2018
Material y métodos: El ruido se analiza en términos de magnitud, correlación espacial y distribución
espectral a través de la desviación estándar, la función de autocorrelación y el espectro de potencias
Palabras clave: de ruido (NPS, por noise power spectrum), respectivamente. También se estudian sus variaciones con
PET
la posición y la cantidad de actividad. Este análisis del ruido se realiza sobre imágenes de maniquí a
Reconstrucción iterativa
OSEM
partir de distribuciones de actividad de 18 F homogéneas. Para estudiar la resolución espacial del sistema
Espectro de potencias de ruido a través de la point spread function (PSF) se emplean los coeficientes de recuperación medidos en esferas
Función de autocorrelación calientes en diferentes entornos radiactivos. Las funciones PSF y NPS proporcionan la base del método de
Función de dispersión puntual simulación propuesto: convolución con la PSF como núcleo y adición de ruido a partir del NPS.
Resultados: El análisis del ruido espectral muestra que la principal contribución es de naturaleza aleato-
ria. También se observa que la corrección de atenuación no altera la textura del ruido pero sí modifica
su magnitud. Finalmente, las imágenes sintéticas de 2 maniquíes, uno de ellos un cerebro anatómico,
son comparadas cuantitativamente con las imágenes experimentales, encontrando un buen acuerdo en
términos de valores de píxel y correlaciones entre píxeles. Así, la razón contraste-ruido para la esfera más
grande del maniquí NEMA IEC es 10,7 en la imagen sintética y 8,8 en la imagen experimental.
Conclusiones: Las propiedades de las imágenes PET-OSEM pueden ser descritas por las funciones NPS
y PSF. Las imágenes simuladas, incluyendo regiones anatómicas, son generadas satisfactoriamente
mediante el método propuesto basado en las funciones NPS y PSF.
© 2018 Sociedad Española de Medicina Nuclear e Imagen Molecular. Publicado por Elsevier España,
S.L.U. Todos los derechos reservados.

Characterization and simulation of noise in PET images reconstructed with

OSEM: Development of a method for the generation of synthetic images

a b s t r a c t

Keywords: Introduction: The goals of the study are to characterize imaging properties in 2 D PET images reconstructed
PET with the iterative algorithm ordered-subset expectation maximization (OSEM) and to propose a new
Iterative reconstruction method for the generation of synthetic images.
OSEM
Material and methods: The noise is analyzed in terms of its magnitude, spatial correlation, and spectral
Noise power spectrum
distribution through standard deviation, autocorrelation function, and noise power spectrum (NPS), res-
Autocorrelation function
Point spread function pectively. Their variations with position and activity level are also analyzed. This noise analysis is based
on phantom images acquired from 18 F uniform distributions. Experimental recovery coefficients of hot
spheres in different backgrounds are employed to study the spatial resolution of the system through
point spread function (PSF). The NPS and PSF functions provide the baseline for the proposed simulation
method: convolution with PSF as kernel and noise addition from NPS.
Results: The noise spectral analysis shows that the main contribution is of random nature. It is also proven
that attenuation correction does not alter noise texture but it modifies its magnitude. Finally, synthetic
images of 2 phantoms, one of them an anatomical brain, are quantitatively compared with experimental
images showing a good agreement in terms of pixel values and pixel correlations. Thus, the contrast to
noise ratio for the biggest sphere in the NEMA IEC phantom is 10.7 for the synthetic image and 8.8 for
the experimental image.

∗ Autor para correspondencia.

Correo electrónico: pablo.castro@salud.madrid.org (P. Castro).

https://doi.org/10.1016/j.remn.2017.10.007
2253-654X/© 2018 Sociedad Española de Medicina Nuclear e Imagen Molecular. Publicado por Elsevier España, S.L.U. Todos los derechos reservados.
230 P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236
Conclusions: The properties of the analyzed OSEM-PET images can be described by NPS and PSF functions.
Synthetic images, even anatomical ones, are successfully generated by the proposed method based on the
NPS and PSF.
Española de Medicina Nuclear e Imagen Molecular. Published by Elsevier España, S.L.U. All rights reserved.
Introducción
La evaluación del ruido y la resolución espacial constituyen un
elemento esencial en los sistemas de imagen PET, ya que las imá-
genes metabólicas que producen tienen un ruido elevado, lo cual
limita la capacidad del sistema para detectar y cuantificar las lesio-
nes. Por ese motivo, el estudio del ruido en la PET ha sido abordado
en la literatura habitualmente a través de la evaluación de la desvia-
ción estándar (DE) o de la varianza1–5 , que proporcionan información
exclusivamente sobre la magnitud del ruido. Otras métricas como
la función de autocorrelación (ACF por autocorrelation function)
representan la correlación espacial entre píxels4–6 en el dominio
espacial. Además, el espectro de potencia de ruido (NPS por noise
power spectrum), la magnitud más habitual utilizada para caracteri-
zar el ruido en el dominio frecuencial, describe la descomposición
espectral del ruido. Sin embargo, las métricas de calidad de ima-
gen utilizados habitualmente en los sistemas lineales de imagen ,
como son la función de transferencia de modulación (MTF por modu-
lation transfer function) o el propio NPS, pueden ser inadecuados
para los algoritmos de reconstrucción iterativa actualmente utiliza-
dos en los sistemas PET. En los algoritmos iterativos, tanto el ruido
como la resolución espacial dependen de las condiciones específi-
cas de la imagen, como son el nivel de ruido o el contraste entre
lesión y fondo. De hecho, en la actualidad se está debatiendo sobre
la posible ausencia de linealidad de los algoritmos de reconstrucción
iterativos en la imagen de TC7,8 . Chen et al.7 han justificado el uso
de estas métricas para la reconstrucción TC no lineal en condicio-
nes experimentales en las que pueda demostrarse la linealidad del
sistema.
El primer objetivo de este trabajo fue mostrar las propiedades
del ruido y la resolución espacial en las imágenes PET reconstruidas
mediante el algoritmo de maximización de la esperanza con subcon-
juntos ordenados (OSEM por ordered-subset expectation maximiza-
tion). Para las condiciones específicas del estudio, se investigó si la
imagen OSEM podía ser tratada como un proceso lineal y estaciona-
rio, permitiendo su caracterización en el dominio frecuencial.
El ruido está relacionado con fluctuaciones de la señal presentes
durante el proceso de obtención de la imagen y se presenta aparen-
temente como variaciones aleatorias en la densidad de la imagen
reconstruida. La presencia de artefactos también puede considerarse
un tipo de ruido, produciendo un patrón identificable en las imáge-
nes reconstruidas que puede influir en su interpretación. Por ello, y
de modo general, pueden distinguirse 2 componentes en el ruido: el
componente aleatorio y el estructural. La magnitud y la estructura
del ruido en las imágenes de la PET pueden tener varios orígenes.
El primero es la naturaleza estadística del proceso de emisión y de
detección de un número finito de eventos. Ello sigue una distribu-
ción de Poisson con una varianza estimada equivalente al número
de cuentas detectadas. El ruido electrónico, el tiempo muerto y la
pérdida de fotones que no alcanzan el detector constituyen otros
factores contribuyentes al ruido asociados al sistema de detección.
Otros parámetros que pueden afectar al ruido en la PET son las cuen-
tas dispersas generadas en el paciente y las cuentas aleatorias. Las
correcciones aplicadas a la imagen, como la de la atenuación, tam-
bién implican modificaciones adicionales del ruido. Finalmente, el
proceso de la reconstrucción tomográfica determina la forma en que
las diferentes fuentes de ruido quedan reflejadas en la imagen. Hay
estudios previos que proporcionan una base teórica para la cuantifi-
cación del ruido en la reconstrucción iterativa9,10 . Nuestro análisis del
ruido se llevó a cabo sobre distribuciones uniformes de la actividad a
través de diferentes métricas centradas en la correlación del ruido. Se
estudiaron los componentes del ruido y el comportamiento de estas
© 2018 Sociedad
métricas en términos de nivel de intensidad, localización espacial e
influencia de la atenuación de la corrección sobre todos ellos.
La resolución espacial determina la capacidad del sistema para
diferenciar entre objetos adyacentes en la imagen y depende del
rango del positrón, el tamaño del detector, la ausencia de colinealidad
fotónica y el efecto paralaje, así como de los parámetros de recons-
trucción (tamaño de la matriz, número de iteraciones, subconjuntos,
filtro de posreconstrucción). Dentro del dominio frecuencial, la MTF
muestra la capacidad del sistema para preservar la señal. La magnitud
equivalente en el dominio espacial es la función de dispersión pun-
tual (PSF por point spread function). La cuantificación experimental
de la resolución espacial a través de la PSF generalmente se aborda
mediante la determinación del ancho de una pequeña fuente colo-
cada en diferentes posiciones en el campo de detección11 . En la lite-
ratura también se ha descrito la determinación simultánea de la PSF y
del ruido utilizando un maniquí de uniformidad3 . Otra magnitud rela-
cionada con la resolución espacial es el coeficiente de recuperación
(CR), que cuantifica la disminución de la señal producida por el efecto
de volumen parcial (EVP). Según Prieto et al.12 , este factor también
proporciona una evaluación de la resolución espacial de la PET.
El segundo objetivo de este trabajo ha sido presentar un método
para generar imágenes sintéticas de un maniquí. Como ya se ha afir-
mado más arriba, las imágenes PET presentan un ruido elevado, de
ahí la utilización de las técnicas de posprocesado con el objetivo de
reducirlo. La eficacia de estas técnicas puede incrementarse cuando
se conoce el comportamiento del ruido13–15 . El uso de imágenes sinté-
ticas obtenidas mediante las simulaciones de Monte Carlo constituye
la opción más habitual para comprobar y desarrollar estos tipos de
algoritmos; sin embargo, las simulaciones de Monte Carlo implican
una dedicación en tiempo y en recursos informáticos no siempre dis-
ponibles. Mostramos aquí una opción alternativa en la que se generan
imágenes sintéticas de un maniquí a partir de determinaciones expe-
rimentales del NPS y la PSF. La geometría conocida del maniquí se
modela a partir de la imagen TC. Una vez asignada la concentración
de actividad a cada volumen del maniquí, la imagen se convoluciona
con un núcleo gaussiano 3D-PSF. Dicho núcleo ha sido previamente
ajustado para reproducir la pérdida de señal debida al EVP. A conti-
nuación, el ruido se añade según la intensidad de la señal basada en
el NPS del sistema. La validación del método se llevó a cabo compa-
rando las propiedades de la imagen resultante con las de una imagen
obtenida a partir de una adquisición real.
Material y métodos
Materiales y adquisiciones
La adquisición de imágenes se realizó utilizando un equipo PET/TC
Discovery LS (General Electric Medical Systems, Milwaukee, EE. UU.).
Se trata de un tomógrafo híbrido que combina la PET Advance NXi,
que contiene 18 anillos con bloques de detectores de germanato de
bismuto, con una TC multicorte LightSpeed.
La técnica de adquisición es la misma que se utiliza en la práctica
clínica de rutina, con la única diferencia de que las imágenes del mani-
quí se obtienen en una única posición de camilla (35 imágenes en
total). El tiempo de adquisición del estudio PET fue de 4 min. El algo-
ritmo de reconstrucción fue un OSEM optimizado con 2 iteraciones y
28 subconjuntos, aplicándose un filtro posreconstrucción gaussiano
transversal de 5,45 mm de ancho completo a mitad de altura (FWHM
por full width at half maximum). La reconstrucción incluyó la correc-
ción de la dispersión. Las imágenes se adquirieron con un campo de
detección de 50 cm de diámetro, y se reconstruyeron con una matriz
 P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236
de 128 × 128 píxeles (3,906 mm de tamaño de píxel), con un grosor
de corte de 4,25 mm. La adquisición TC consistió en un estudio heli-
coidal de todo el cuerpo con 140 kVp, 80 mA y un tiempo de rotación
de 0,8 s. Todas las adquisiciones se realizaron bajo las características
técnicas anteriormente descritas para la PET y la TC.
El maniquí empleado para caracterizar al ruido fue de tipo cilín-
drico, con 200 mm de diámetro y con un grosor de pared de 2 mm.
Puede llenarse con una solución de radionucleido, lo que permite
disponer de un volumen grande con distribución homogénea. Se
realizaron varias adquisiciones para diferentes concentraciones de
actividad de 18 F (kBq/ml): 125; 112; 95,7; 54,9; 23,7; 14,9; 11,3, y 6,9.
Para caracterizar la PSF del equipo PET se utilizó el maniquí
corporal NEMA IEC. Dicho maniquí simula un tórax humano con
una longitud de 194 mm. Se suministra con 6 esferas individuales
insertadas con unos diámetros internos de 10, 13, 17, 22, 28 y 37 mm,
respectivamente. El grosor de la pared de las esferas es de 1 mm.
También dispone de un elemento cilíndrico frío dispuesto en la zona
central (180 mm de longitud y 51 mm de diámetro). El volumen de
la cavidad torácica sin las esferas es de 9,7 l. Tanto el interior de las
esferas como la cavidad misma pueden llenarse con una solución de
radionucleido con el fin de simular lesiones de diferentes tamaños
en diferentes entornos radiactivos. La concentración inicial de la
actividad en las esferas fue de aproximadamente 220 kBq/ml con
fondo no radiactivo. A continuación, se añadió progresivamente
actividad a la cavidad torácica de tal manera que, considerando el
decay que ocurre entre las adquisiciones y el aumento progresivo de
la actividad de fondo, se obtuvieron diferentes ratios de señal/fondo.
Para verificar el método propuesto se utilizó el maniquí cerebral
Hoffman 3-D. Dicho maniquí proporciona una simulación anatómica
de la distribución del radiotrazador en el cerebro normal. El maniquí
dispone de una única cámara con un volumen aproximado de 1,2 l,
que se llenó con una concentración de actividad de 25 kBq/ml.
Caracterización del ruido
En primer lugar, se estudió la dependencia espacial del ruido a
través de la DE, tanto en la dirección axial como radial. La depen-
dencia axial de la magnitud del ruido se examinó mediante una ROI
circular de 10 píxeles de diámetro dibujada en el centro del maniquí
de uniformidad para cada uno de los cortes (1-35). Para poder anali-
zar la dependencia radial, se desplazó la posición de la ROI dentro de
un corte de un extremo a otro del maniquí en diferentes direcciones
radiales (izquierda-derecha, arriba-abajo y en diagonal). Se norma-
lizó el valor medio y la DE de la ROI en cada posición a los valores
determinados en la posición central. Este análisis se llevó a cabo para
diferentes niveles de actividad, así como para imágenes con y sin
corrección de la atenuación.
En segundo lugar, se calculó la ACF. Dicha métrica se basa en la
comparación de todos los posibles pares de píxeles y refleja la corre-
lación espacial o similitud entre píxeles. Para una ROI o una imagen
bidimensional Nx × Ny con valores de píxel I(x,y) (siendo x la posición
en el eje x, e y la posición en el eje y) que muestra ruido estaciona-
rio, la ACF dependerá únicamente de la separación existente entre
píxeles en cada dirección x , y :

Nx

N y
ACF(x , y ) ≡ [I(x, y) − m] · [I(x − x , y − y ) − m]
x=1 y=1
donde m es el valor esperado, que puede determinarse por el valor
medio de la ROI. La ACF se determinó para cada corte a partir de una
ROI cuadrada de 32 × 32 píxel centrada en el maniquí de uniformi-
dad (se excluyeron los 2 cortes de cada extremo, ya que se observaron
diferencias significativas en la magnitud del ruido). Se obtuvo el pro-
medio de las ACF resultantes. Este análisis se realizó según diferentes
niveles de actividad.
Finalmente, se abordó el análisis del NPS. El NPS determina el
ruido de la imagen en el dominio de Fourier en función de la frecuen-
cia espacial. Por ello, el NPS describe la descomposición espectral del
ruido en la imagen. El área bajo la curva refleja la magnitud del ruido,
y su forma muestra la textura del mismo en términos de correlación
231
espacial entre valores de píxel. Para una ROI Nx × Ny con un tamaño
de píxel px × py , se definió como:
p x · py
NPS(u, v) = |DFT [I(x, y) − Ī]|2 (2)
Nx · Ny
donde DFT es la digital Fourier transformation o transformada
digital de Fourier, siendo I(x,y) el valor de píxel en la posición (x,y), e
Ī el valor promedio de píxel en la ROI; u = j/(px · Nx ) y v = k/(py · Ny )
constituyen las coordenadas en el dominio frecuencial.
Esta definición asume que las regiones analizadas son lo suficien-
temente pequeñas como para que el ruido sea estacionario. Para
valorar el posible componente no estacionario del ruido se analizó
la dependencia de la localización en el NPS a partir de ROI cuadra-
das de 16 × 16 píxeles, localizadas en diferentes posiciones respecto
al centro del maniquí de uniformidad: sin desplazamiento (centro),
desplazamiento de 7 píxeles en las 4 direcciones cardinales, norte,
sur, este y oeste, y desplazamiento de 12 píxeles en las mismas direc-
ciones nuevamente. Para reducir la incertidumbre, se promediaron
los NPS individuales de los cortes entre 3 y 33. Para incrementar el
muestreo en el dominio frecuencial, la ROI se expandió con ceros
(zero-padding) a una matriz de 32 × 32.
Para poder tener en cuenta la potencial falta de linealidad del algo-
ritmo OSEM, se analizó la forma del NPS en función de la magnitud
del ruido. Para ello, se examinaron varios estudios del maniquí de
uniformidad con diferentes concentraciones de actividad (y, con ello,
con diferentes magnitudes de ruido). Para cada nivel de actividad, se
determinó el espectro de una ROI de 25 × 25 píxeles promediando los
cortes 3-33 previa expansión con ceros (zero-padding) a una matriz
64 × 64. La magnitud del ruido cuantificada como el área bajo la curva
del NPS debe coincidir con la varianza promedio de las ROI originales.
Teniendo en cuenta el carácter discreto del NPS, puede calcularse la
integral bajo la curva como:
1 
Nx Ny
Variance = · NPS2D (j, k) (3)
Nx · Ny · px · py
j=1 k=1
Variance = Varianza
También se estudió la relación entre la magnitud del ruido y la
concentración de la actividad. La varianza de las ROI empleadas para
obtener el NPS se relacionó con el valor medio de píxel de la ROI.
El NPS, como se ha definido con anterioridad, contiene los compo-
nentes aleatorio y estructural del ruido. El componente estructural
puede manifestarse como una ausencia de uniformidad en la imagen
homogénea, afectando al NPS en las frecuencias bajas. En este estu-
dio, este componente se calculó sobre la imagen generada a partir del
promedio de los cortes seleccionados (3-33). Por ello, el componente
aleatorio (random) se obtuvo a partir de la diferencia entre ambos
espectros (NPSrandom = NPStotal − NPSstruct ). El NPS presentado en este
estudio se refiere al componente aleatorio, NPSrandom , a menos que se
indique lo contrario.
El análisis arriba presentado se realizó sobre imágenes que han
sido corregidas por atenuación utilizando la información de la TC.
También se obtuvo el NPS sin dicha corrección, con el fin de analizar
su influencia.
(1) Caracterización de la resolución espacial
Las propiedades de resolución de la imagen se obtuvieron expe-
rimentalmente a partir del CR, siguiendo el método propuesto por
Prieto et al.12 . El CR se define como el ratio entre la concentración
observada de la actividad en la imagen y la concentración real intro-
ducida en la esfera. La definición de este coeficiente refleja la pérdida
de señal asociada a la baja resolución de la imagen PET. Se obtuvo la
curva de CR para diferentes ratios esfera/fondo (SBR por sphere-to-
background ratios):
• SBR∼20: concentración del fondo de 7,1 kBq/ml y concentración de
la esfera de 131,1 kBq/ml.
• SBR∼13: concentración del fondo de 7,6 kBq/ml y concentración de
la esfera de 91,8 kBq/ml.
232 P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236

• SBR∼10: concentración del fondo de 13,7 kBq/ml y concentración Mean valuebackground − Mean valuesphere
de la esfera 115,4 kBq/ml.
CNR =  (6)
• SBR∼5: concentración del fondo de 23,3 kBq/ml y concentración de
2
(SDbackground + SDsphere
2
)/2
la esfera de 104,3 kBq/ml.
• SBR∼infinito: ausencia de fondo y 220 kBq/ml en las esferas. Mean valuebackground = Valor mediofondo
• SBR∼infinito: ausencia de fondo y 150 kBq/ml en las esferas. Mean valuesphere = Valor medioesfera
SD2 background = DE2 fondo
También se registró el valor máximo del interior de las esferas,
Los valores medidos se compararon con CR simulados, obtenidos
para verificar la pérdida de señal asociada al EVP. Además, también
como se indica a continuación: se modeló la geometría de las esferas
se determinó el NPS y se comparó con el que se obtuvo experi-
insertadas en el maniquí NEMA. La imagen se convolucionó con una
mentalmente en la sección homogénea del maniquí. Para el maniquí
PSF gaussiana 3 D, utilizando diferentes valores de FWHM. Se estimó
Hoffman se seleccionó una ROI en el área uniforme y se determinaron
el CR teórico para cada esfera como el ratio entre el valor máximo
sus valores medio, DE y máximo.
tras la convolución y el valor inicial. Se fue modificando el valor de la
FWHM hasta encontrar el CR que mejor se ajustó a los valores expe-
Resultados
rimentales. Se evaluó la bondad del ajuste entre los valores teóricos
y experimentales mediante una prueba de mínimos cuadrados.
Características del ruido

Generación de las imágenes sintéticas
Se presenta un método para la generación de imágenes sintéti-
cas basado en determinaciones experimentales del NPS y la PSF. A
modo de ejemplo práctico, se simuló el maniquí NEMA IEC junto
con el maniquí Hoffman. En un primer paso, se modeló la sección
geométrica del maniquí a partir de la imagen TC, cuya resolución
espacial había sido previamente ajustada a la de la imagen PET. A
continuación, se creó un conjunto de 35 imágenes con una matriz
de 128 × 128, con 3,096 mm/píxel y una distancia entre ellas de
4,25 mm. Las esferas y la cavidad aérea central presentes en el mani-
quí NEMA IEC estuvieron insertadas en el interior del maniquí en sus
posiciones conocidas. En el caso del maniquí de Hoffman, su geo-
metría se simuló a través de una segmentación umbral binaria en la
TC, por lo que solamente se segmentó la cavidad rellenable. A con-
Se estimó la variación axial de la DE en relación con su valor en el
corte central mediante una ROI de 10 píxeles de diámetro y centrada
en cada corte. Los resultados se resumen en la figura 1a. El com-
portamiento fue muy similar para los diferentes niveles de actividad
estudiados y, consecuentemente, se muestra el promedio de todas
las actividades y normalizadas a 1 en el centro del campo de detec-
ción. La forma de la curva fue concordante con la sensibilidad relativa
del corte, mostrando un incremento del ruido en los cortes extremos.
También se observó una ligera discrepancia entre los cortes pares e
impares, debido a la diferencia en sensibilidad entre los datos de los
cortes directos y cruzados.
(a)
Desviación estándar normalizada

tinuación se asignó la actividad nominal deseada a cada una de las

cavidades o elementos insertados. Asumiendo que la resolución del 2.0
sistema puede modelarse con una PSF gaussiana, se aplicó una con-
1.8
volución con un núcleo 3 D gaussiano a las imágenes. El núcleo fue
previamente ajustado reproduciendo la pérdida de señal debida al 1.6
EVP. Finalmente, se añadió el ruido. La textura del ruido, referida
como texture(x,y), se obtuvo a partir del desplazamiento de fase alea- 1.4
torio del NPS a través de la inversa de una transformada de Fourier
1.2
discreta (IDFT por inverse discrete Fourier transform)16 . A partir de
la ecuación (2) puede deducirse brevemente que: 1.0
   0.8
texture(x, y) = IDFT C · NPS(u, v) · sin(2fu,v − ϕu,v ) (4) 0 5 10 15 20 25 30 35
Número de corte
(b)
siendo C una constante de normalización. Se generaron varios
10 2.35
patrones de ruido aleatorizando la fase ␸ para cada frecuencia. La
selección de la fase se realizó a partir de una distribución angular 9 Valor medio 2.20
uniforme en el intervalo entre 0 y 2␲. Por ello, al calcular la IDFT se 8 Desviación estándar 2.05
Valor normalizado

obtuvo una muestra de la textura del ruido que contenía las propie-
dades de correlación necesarias. Finalmente, se obtuvo la magnitud
del ruido (DE) a partir de la relación entre la DE y el valor medio que
previamente se había estudiado experimentalmente. En resumen, la
expresión del modelo de ruido que se propone es:
Inoisy (x, y) = I0 (x, y) + f {I0 (x, y)} ∗ texture(x, y)
donde I0 representa la imagen sintética con la convolución PSF
aplicada sin ruido. La función f representa la dependencia entre la
magnitud del ruido y el valor medio (fórmula (6)). El símbolo * indica
una multiplicación píxel a píxel, y la texture(x,y) es la imagen de la
textura del ruido arriba definida.
Finalmente, se comprobó la validez, en términos de intensidad,
dispersión y correlación del ruido, de la imagen sintética para el
maniquí NEMA IEC. En las imágenes sintéticas y experimentales se
calcularon los valores medios y las DE de los píxeles de las ROI de 6 × 6
píxeles localizadas en la región del fondo y en las esferas más grandes
del maniquí. Por ello, puede determinarse la razón contraste-ruido
(CNR, por contrast to noise ratio) a partir de la fórmula:
7 Valor medio (CA) 1.90
6 Desviación estándar (CA) 1.75
5 1.60
4 1.45
3 1.30
2 1.15
(5)
1.00
0 0.85
0 2 4 6 8 10 12 14 16 18 20
Distancia entre el centro de la ROI y
el del maniquí (pixels)
Figura 1. (a) Ruido axial: desviación estándar para una ROI circular de 10 píxeles
de diámetro centrada en el maniquí y normalizada al valor del corte central vs. el
número de corte. (b) Ruido radial: perfil radial medio, obtenido a partir de la des-
viación estándar y el valor medio de una ROI de 10 píxeles de diámetro desplazada
a lo largo del corte del maniquí y normalizada para la posición central en imágenes
con corrección de la atenuación (CA) (eje derecho) e imágenes sin corrección de la
atenuación (eje izquierdo). La línea punteada indica la coincidencia entre el borde
de la ROI y el del maniquí (en este punto, los valores cambian de forma brusca). Las
barras de error indican un intervalo de confianza del 95%.

(a)
15
10
distancia del eje y (pixels)
5 0.6
0 0.4
-5
-10
-15
-15 -10 -5 0 5
distancia del eje x (pixels)
(b)
1.0
Función de autocorrelación
0.8
0.6
0.4
0.2
0 la atenuación. Se encontró una forma similar de los espectros, aunque
-15 -10 -5
Distancia (pixels)
Figura 2. Función de autocorrelación normalizada al píxel central correspondiente
a 11,3 kBq/ml. (a) Imagen 2 D. (b) Perfil vertical y horizontal 1 D del centro de la
imagen 2 D de la ACF.
La figura 1b muestra la variación en el valor medio del nivel de
señal y de ruido dependiendo de la posición relativa de la ROI den-
tro de cada corte. No se observaron diferencias importantes en los
valores normalizados de la DE a 1 en el centro del campo de detec-
ción entre los cortes o diferentes niveles de actividad, por lo que se
muestra el valor promedio. Puede observarse que existe una disminu-
ción del ruido hacia el borde del maniquí. Las mediciones adicionales
obtenidas en ROI situadas fuera del maniquí revelaron que la DE dis-
minuye a cero en la región externa del maniquí. Se observó un ligero
aumento, inferior al 5%, en el valor medio cuando se acerca al borde
del maniquí. Al analizar la imagen sin la corrección de atenuación,
se observó un comportamiento diferente de la DE, aumentando sig-
nificativamente a medida que nos alejamos del centro. Para el valor
medio, se observó nuevamente su aumento al acercarse al borde,
siendo mucho más pronunciado en este caso. De estas mediciones
puede deducirse que la corrección de la atenuación afecta tanto al
valor del píxel como a la magnitud del ruido.
La figura 2 muestra la ACF correspondiente a 11,3 kBq/ml y nor-
malizada respecto al píxel central. La ACF presentada es el valor
promedio de las ACF correspondientes a todos los cortes, excep-
tuando los 2 primeros y los 2 últimos. En la imagen 2 D se observó
P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236 233
una ACF con simetría cuasi-rotacional. Los perfiles 1 D indican la pre-
sencia de un pico que cae en valores negativos en los 2-3 píxeles más
1.0 próximos. La existencia de esta correlación negativa implica que los
píxeles adyacentes tienden a variar aleatoriamente en su valor en la
0.8 dirección opuesta.
La figura 3a representa los componentes del NPS calculados sobre
la ROI central de 25 × 25 píxeles expandida con ceros a una matriz
de 64 × 64. En las imágenes 2 D se observaron espectros con simetría
rotacional, lo que nos permitió trazar un perfil radial para realizar
un análisis unidimensional (fig. 3b). Pudimos observar la presencia
del componente estructural en la región de frecuencia baja, asociada
a la ausencia de homogeneidad de la señal en los extremos (véase
0.2 la figura 1b), y su influencia sobre el NPStotal . El NPSrandom alcanzó
un máximo a 0,02 mm−1 , después del cual disminuyó en las frecuen-
0 cias elevadas y tendió a cero antes de alcanzar la frecuencia Nyquist
(0,128 mm−1 ); por lo tanto, no era de esperar que hubiera aliasing.
La dependencia espacial del ruido se estudió a través del NPS
-0.2
utilizando ROI cuadradas de 16 píxeles colocadas en diferentes
10 15
localizaciones respecto al centro del maniquí. No se obtuvieron dis-
crepancias importantes, exceptuando una ligera disminución del
área bajo la curva en la región periférica, de acuerdo con la tendencia
mostrada por la DE hacia el borde del maniquí (fig. 1b). Por ello, en
Perfil horizontal
este caso puede asumirse la invariancia espacial del NPS.
En la figura 3c se muestran los espectros asociados a 4 niveles de
Perfil vertical
actividad. Puede observarse que la forma del NPS no se alteró, mien-
tras que disminuyó el área bajo la curva a medida que lo hacía la
concentración de la actividad. Las discrepancias entre el área bajo la
curva, siguiendo la fórmula (3), y la varianza en las imágenes origi-
nales fue inferior al 0,1%.
Se ajustó la relación entre la magnitud del ruido (varianza o área
bajo la curva del NPS) y el valor medio (concentración de la actividad)
a la siguiente ley de potencia:
Variance = a · xb (7)
siendo los parámetros ajustados: a = 3,89, b = 1,40 y el coeficiente
de regresión R2 = 0,9980. Por ello, la varianza fue proporcional al valor
medio de píxel elevado a una potencia superior a uno, de forma
que la magnitud del ruido fue inferior en áreas con una baja tasa de
recuento, y aumenta en las regiones con una elevada tasa de recuento.
Finalmente, se determinó el NPS en las imágenes sin corrección de
el área bajo la curva fue apreciablemente mayor. Por lo tanto, puede
0 5 10 15 concluirse que la distribución espacial del ruido ya está determinada
antes de aplicarse la corrección de atenuación. La aplicación de dicha
corrección únicamente afecta al nivel de ruido.
Características de la resolución espacial
La figura 4 muestra los valores de CR determinados para las
diferentes esferas en varios entornos radiactivos, junto con los CR
obtenidos a partir de la función gaussiana teórica con una FWHM
optimizada. Los valores se normalizaron al CR de la esfera más grande,
donde no era esperable la influencia del EVP. El ajuste se realizó utili-
zando el promedio de todos los CR obtenidos experimentalmente. La
FWHM que mejor se ajustó a los datos experimentales fue de 9,5 mm,
y se consideró representativa de la PSF del sistema.
Generación de imágenes sintéticas
La figura 5 muestra el maniquí sintético generado a partir de la
PSF y el NPS como se ha descrito previamente, junto con la secuen-
cia de imágenes que muestran su generación paso a paso para el
maniquí NEMA IEC. La imagen resultante mostró características muy
similares a la obtenida con una adquisición real. Por ello, los valores
medios y las DE determinadas en la región homogénea dentro de las
esferas mayores son muy similares en ambas imágenes, la sintética y
la experimental. Las diferencias en el valor medio fueron inferiores a
una DE en todos los casos. La CNR entre la esfera y el fondo también
presentó valores próximos: 10,7 y 10,5 para la imagen sintética y 8,8
y 8,9 para la experimental en las 2 esferas mayores, respectivamente.
234 P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236

(a)
× 108
0.128 2
1.8
1.6
0.064
1.4
u (mm-1)

1.2
0 1
0.8
0.6
-0.064
0.4
0.2
-0.128 0
-0.128 -0.064 0 0.064 0.128 -0.128 -0.064 0 0.064 0.128 -0.128 -0.064 0 0.064 0.128
-1 -1 -1
u (mm ) u (mm ) u (mm )

(b) × 107 (c) × 108

16 3
NPStotal 2.8 23.7 kBq/ml
14 2.6 14.9 kBq/ml
NPSstruct
2.4 11.3 kBq/ml

NPSrandom (Bq2mm2/ml2)
12 NPSrandom
NPS (Bq2mm2/ml2)

2.2 6.9 kBq/ml

2
10 1.8
1.6
8
1.4
6 1.2
1
4 0.8
0.6
2 0.4
0.2
0 0
0 0.02 0.04 0.06 0.08 0.10 0.12 0 0.02 0.04 0.06 0.08 0.10 0.14
Frecuencia espacial (mm-1) Frecuencia espacial (mm-1)

Figura 3. Espectro total de potencia de ruido, junto con sus componentes estructurales y aleatorios (random). (a) Imagen 2 D, NPS total a la izquierda, NPS struct (en el centro),
y NPS random a la derecha. (b) Perfil 1 D del promedio angular de la imagen 2 D de NPS. (c) Componente aleatorio 1 D del espectro de potencia de ruido para 4 niveles diferentes
de actividad, obtenidos del promedio angular de cada imagen NPS 2 D.

Hoffman, la comparación cuantitativa se realizó a través de la media,

1 la DE y los valores máximos determinados a partir de ROI situadas en
una región homogénea del maniquí. La tabla 1 muestra los resultados:
en las imágenes reales y sintéticas se obtuvieron valores similares.
Coeficiente de recuperación

0.8

0.6
0.4
0.2
0
10 15 20
Diámetro de la esfera
Figura 4. Coeficientes de recuperación medidos para cada esfera en diferentes
entornos radiactivos, así como los obtenidos a partir del ajuste gaussiano con una
FWHM de 9,5 mm. SBR ∞1 corresponde a una adquisición sin fondo y con 220 kBq/ml
en las esferas, mientras que SBR ∞2 corresponde a una adquisición sin fondo y con
150 kBq/ml en las esferas.
El valor máximo dentro de las esferas también mostró una tendencia
similar en ambas imágenes. Se realizó una comparación cuantita-
tiva entre la imagen sintética y la real en términos de correlación del
ruido mediante el NPS de la región uniforme del maniquí. La figura 5
muestra que el NPS de la imagen sintética y la experimental son
coincidentes dentro de la incertidumbre estimada. En el maniquí de
Discusión
Este trabajo presenta un análisis del ruido en imágenes PET adqui-
SBR 5
ridas en 2 D y reconstruidas mediante el algoritmo iterativo OSEM.
SBR 10
En primer lugar, se analizó la dependencia espacial del ruido a tra-
SBR 13
vés de la DE de una ROI situada sobre una distribución uniforme
SBR 20
de la actividad. Coincidiendo con Pajevic et al.1 y Teymurazyan
SBR ∞1
et al.2 , observamos que la magnitud del ruido aumenta en el borde
SBR ∞2 de los cortes, así como la diferencia en sensibilidad entre cortes
Teórico pares e impares. Como ya se afirma en la literatura, la variación
radial del ruido presenta un comportamiento diferente dependiendo
25 30 35 40 del algoritmo de reconstrucción empleado: en los algoritmos ite-
rativos existe una ligera reducción a medida que nos alejamos del
centro, siendo cero en la región externa del maniquí4 . Dicha tran-
sición no se observa en el algoritmo de retroproyección filtrada17 .
Puede deducirse que el proceso de reconstrucción iterativa tiende
a igualar el ruido en las diferentes proyecciones. Pajevic et al.1
argumentan que la disminución del ruido observada al alejarnos
del centro del maniquí es debida a una disminución en el número
de cuentas y a una menor atenuación en los bordes del mani-
quí. En nuestro estudio, también se analizó la dependencia radial
en imágenes obtenidas sin corrección de la atenuación, detectando
un comportamiento contrario al de las imágenes corregidas; o sea,
existe un incremento pronunciado en la magnitud del ruido en la
periferia del maniquí. Ello puede ser debido a la mayor atenua-
ción presente en el centro del maniquí respecto a la periferia, que
 P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236 235

(a) (b) (c)

(d) (f) × 107

16
NPS de la imagen experimental
14
NPS de la imagen sintética
12

10
NPS

6
(e)
4

0
0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14

Frecuencia espacial (mm-1)

(g) (h) (i)

Figura 5. Secuencia de imágenes que muestran la generación de imágenes PET sintéticas. (a) Imagen inicial del maniquí NEMA IEC en la resolución PET con los volúmenes
asignados (desde la esfera más grande –1– a la más pequeña –6–). (b) Imagen tras la convolución con un núcleo gaussiano de 9,5 mm de FWHM (sin ruido presente). (c)
Imagen de textura de ruido simulado. (d) Imagen sintética final tras la adición del ruido. (e) Imagen de la adquisición experimental. (f) Espectro de potencia de ruido (NPS)
1 D determinado en una región de fondo uniforme del maniquí NEMA IEC para las imágenes experimental y sintética. Los puntos representan los valores de NPS y las barras
de error muestran su intervalo de confianza del 95%. (g) Imagen TC del maniquí de Hoffman. (h) Imagen PET sintética del maniquí de Hoffman con la ROI seleccionada en un
área uniforme (en rojo). (i) Imagen PET experimental del maniquí de Hoffman con la ROI seleccionada en un área uniforme (en rojo).

conduce a tener menos cuentas y, con ello, menos ruido en esta
región central. Razifar et al.4 afirma que en los estudios PET/TC
corregidos por atenuación mediante la TC no hay propagación del
ruido a partir del estudio de transmisión de la TC. De esta forma,
la reconstrucción iterativa intenta conseguir un nivel de ruido pare-
cido para cada proyección angular, y la corrección por atenuación
posterior actúa sobre los valores de píxel. De hecho, la forma del
NPS en las imágenes no corregidas es similar a la de las imágenes
corregidas, pero el área bajo la curva es significativamente mayor
en las imágenes no corregidas. Por este motivo, puede concluirse
que la corrección afecta a la magnitud del ruido, pero no a su
textura.

Tabla 1
Valores medios, desviación estándar y valores máximos en ROI dibujadas en áreas uniformes de imágenes simuladas y experimentales (posición indicada en la figura 5).
También se muestra la razón contraste-ruido para las esferas más grandes

Valor medio (kBq/ml) Dif (# DE) DE (kBq/ml) CNR Valor máximo (kBq/ml)

Maniquí ROI Sint Exp Sint Exp Sint Exp Sint Exp Dif

NEMA IEC Fondo 11.653 11.493 −0,1 1.430 1.555 16.094 14.993 −1.101
Esfera 1 91.893 95.965 0,2 14.996 19.235 10,7 8,8 113.672 122.455 8.783
Esfera 2 89.487 98.767 0,5 14.801 19.449 10,5 8,9 112.481 122.740 10.259
Esfera 3 116.711 116.684 −27
Esfera 4 93.842 108.238 14.396
Esfera 5 91.855 90.524 −1.331
Esfera 6 48.123 56.602 8.479
Hoffman Área uniforme 16.305 15.239 −0,6 1766 1678 19.846 19.220 −626

CNR: contrast to noise ratio o razón contraste-ruido; DE: desviación estándar.

236 P. Castro et al. / Rev Esp Med Nucl Imagen Mol. 2018;37(4):229–236
La naturaleza no lineal de los algoritmos de reconstrucción puede
conducir a imágenes que presentan un ruido que puede depender
de la posición local y de la resolución espacial, que puede depender
a su vez del nivel de contraste. En consecuencia, las métricas tradi-
cionales definidas para las imágenes tomográficas en el espacio de
Fourier se convierten en no estacionarios y puede cuestionarse su
uso para caracterizar la calidad de la imagen. En este trabajo se ha
estudiado el comportamiento del NPS con la magnitud del ruido, sin
encontrar variaciones apreciables tanto en la forma como en la posi-
ción del máximo. Además, se ha establecido, para un amplio rango de
concentraciones de actividad, la dependencia entre el valor medio de
píxel y la varianza. Wilson et al.6 observaron que puede haber dife-
rentes dependencias según el número de iteraciones. Sin embargo,
en este estudio solamente se ha tenido en cuenta el número de itera-
ciones empleadas en la práctica clínica. En relación con la resolución
espacial del sistema, se ha estimado la PSF a través del CR obtenido
para diferentes niveles de contraste.
Una dificultad del análisis de resolución espacial desarrollado es
que la inclusión de una parte del fondo («spill-in») y la pérdida de
información de la esfera que se dispersa fuera de ella («spill-out») no
han sido consideradas explícitamente en los ajustes realizados a las
curvas de CR para los diferentes niveles de contraste. Otra limitación
en la exactitud del modelo es que las esferas utilizadas para carac-
terizar el CR se localizan en el mismo radio. Por ello, no se tuvo en
cuenta la disminución de la resolución a medida que nos alejamos
del eje del tomógrafo. Según las especificaciones, la diferencia en la
resolución axial (FWHM) a 1 cm y a 10 cm del eje es de 1,6 mm, lo que
supone que la repercusión de esta aproximación no ha de ser muy
importante.
La principal contribución del ruido es de naturaleza aleatoria,
permaneciendo la contribución estructural en la región de las fre-
cuencias bajas. La forma del espectro mostró la ausencia de aliasing,
así como de correlaciones negativas, como es esperable en imágenes
reconstruidas a partir de proyecciones. Este hecho también se evi-
denció en el dominio espacial con el análisis de la ACF: los píxeles
adyacentes presentaron una tendencia a variar aleatoriamente en la
misma dirección (correlación positiva), mientras que los localizados
a una distancia de 2-3 píxeles tendieron a desviarse del valor medio
en la dirección contraria (correlación negativa). Además, tal y como
mostraron Razifar et al.17 , la reconstrucción OSEM proporcionó imá-
genes con correlación isotrópica del ruido, independientemente de
la forma de distribución de la actividad.
Finalmente, se ha presentado un método alternativo al de Monte
Carlo para generar una imagen sintética basada en mediciones expe-
rimentales. Este método asume que tanto el NPS como la PSF son
espacialmente invariables, una aproximación comprobada para las
condiciones en las que se realizó este estudio (la figura 1b muestra
su escasa dependencia de la posición). Se han presentado imágenes
sintéticas obtenidas a partir de mediciones experimentales de la PSF
y el NPS. Se ha demostrado la eficacia del método, ya que las imágenes
sintéticas mostraron un buen acuerdo con las experimentales en tér-
minos de valores y correlaciones de píxeles (NPS). La cuantificación y
la simulación de las propiedades del ruido y la resolución pueden ser
de utilidad para mejorar la eficacia de las técnicas de posprocesado
en la reducción del ruido, para pronosticar el rendimiento del obser-
vador o para comprobar herramientas de contorneo de volúmenes
con diferentes niveles de ruido.
Una limitación de este estudio fue que no se exploró la carac-
terización del ruido para la adquisición en 3 D. En principio, no
utilizar septos durante la adquisición implica un mayor número
de cuentas que conducirán a un incremento en la magnitud
del ruido para la misma concentración de actividad. Un análi-
sis preliminar del espectro del ruido en la adquisición 3 D (no
incluida en este estudio), en comparación con las adquisiciones
2 D, mostró una mayor contribución en las altas frecuencias, y un
componente estructural similar a bajas frecuencias. Sin embargo,
la naturaleza intrínseca de las adquisiciones en 3 D dificulta la
realización de una estimación precisa del ruido, siendo necesario un
número importante de imágenes para alcanzar una incertidumbre
razonable.
Conclusiones
Este estudio describió las propiedades del ruido y de la resolución
de las imágenes PET reconstruidas mediante el algoritmo iterativo
OSEM, y presentó un método para generar imágenes sintéticas en un
maniquí que puede ser utilizado para comprobar técnicas de pospro-
cesado. Este estudio se realizó para adquisiciones 2 D reconstruidas
con 2 iteraciones y 28 subconjuntos, seguido por la aplicación de un
filtro gaussiano con una FWHM de 5,45 mm: los resultados obteni-
dos y las conclusiones consiguientes resultaron válidas únicamente
para las condiciones específicas del estudio. En primer lugar, se ha
comprobado que el espectro local de potencia de ruido de diferentes
regiones era espacialmente invariante. En segundo lugar, concluimos
que el componente principal del espectro es de naturaleza aleatoria,
aunque existe una contribución estructural no despreciable en las
frecuencias bajas. Además, la corrección de la atenuación no altera la
textura del ruido, pero modifica su magnitud. De hecho, el algoritmo
OSEM muestra una tendencia a igualar la magnitud del ruido una
vez se ha aplicado dicha corrección. Finalmente, pudieron generarse
imágenes sintéticas satisfactoriamente a partir de la PSF y el NPS,
mostrando una buena similitud con las imágenes experimentales en
términos de valores y de correlaciones de píxel.
Conflicto de intereses
Todos los autores declaran no tener ningún conflicto de intereses
en relación con el contenido del manuscrito.
Bibliografía
1. Pajevic S, Daube-Witherspoon ME, Bacharach SL, Carson RE. Noise characteris-
tics of 3-D and 2-D PET images. IEEE Trans Med Imaging. 1998;17:9–23.
2. Teymurazyan A, Riauka T, Jans H-S, Robinson D. Properties of noise in positron
emission tomography images reconstructed with filtered-backprojection and
row-action maximum likelihood algorithm. J Digit Imaging. 2013;26:447–56.
3. Lodge MA, Rahmim A, Wahl RL. Simultaneous measurement of noise and spatial
resolution in PET phantom images. Phys Med Biol. 2010;55:1069–81.
4. Razifar P, Sandström M, Schnieder H, Langström B, Maripuu E, Bengtsson E, et al.
Noise correlation in PET, CT, SPECT and PET/CT data evaluated using autocorre-
lation function: a phantom study on data, reconstructed using FBP and OSEM.
BMC Med Imaging. 2005;5:5.
5. Soares EJ, Byrne CL, Glick SJ. Noise characterization of block-iterative recons-
truction algorithms. II. Monte carlo. IEEE Trans Med Imaging. 2005;24:112–21.
6. Wilson DW, Tsui BMW, Barrett HH. Noise properties of the EM algorithm: II.
Monte Carlo simulations. Phys Med Biol. 1994;39:847–71.
7. Chen B, Christianson O, Wilson JM, Samei E. Assessment of volumetric noise and
resolution performance for linear and nonlinear CT reconstruction methods.
Med Phys. 2014;41:71909.
8. Vaishnav JY, Jung WC, Popescu LM, Zeng R, Myers KJ. Objective assessment
of image quality and dose reduction in CT iterative reconstruction. Med Phys.
2014;41:71904.
9. Barrett HH, Wilson DW, Tsui BMW. Noise properties of the EM algorithm: I.
Theory. Phys Med Biol. 1994;39:833–46.
10. Soares EJ, Byrne CL, Glick SJ. Noise characterization of block-iterative recons-
truction algorithms: I. Theory. IEEE Trans Med Imaging. 2000;19:261–70.
11. Karp JS, Daube-Witherspoon ME, Hoffman EJ, Lewellen TK, Links JM, Wong
WH, et al. Performance standards in positron emission tomography. J Nuc Med.
1991;12:2342–50.
12. Prieto E, Martí-Climent JM, Arbizu J, Garrastachu P, Domínguez I, Quincoces G,
et al. Evaluation of spatial resolution of a PET scanner through the simulation
and experimental measurement of the recovery coefficient. Comput Biol Med.
2010;40:75–80.
13. Turkheimer FE, Boussion N, Anderson AN, Pavese N, Piccini P, Visvikis D.
PET image denoising using a synergistic multiresolution analysis of structural
(MRI/CT) and functional datasets. J Nucl Med. 2008;49:657–66.
14. Bagci U, Mollura DJ. Denoising PET images using singular value thresholding and
Stein’s unbiased risk estimate. Lecture Notes in Computer Science (including
subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinfor-
matics vol 8151) (LNCS). 201; 115–22.
15. Huerga C, Castro P, Corredoira E, Coronado M, Delgado V, Guibelalde E. Denoising
of PET images by context modelling using local neighbourhood correlation. Phys
Med Biol. 2017;62:633–51.
16. Lennon JJ. Red-shifts and red herrings in geographical ecology. Ecography.
2000;23:101–13.
17. Razifar P, Lubberink M, Schnieder H, Langström B, Bengtsson E, Bergström
M. Non-isotropic noise correlation in PET data reconstructed by FBP but not
by OSEM demonstrated using auto-correlation function. BMC Med Imaging.
2005;5:3.