02.CMFF 2de2

Mtodos iterativos de reconstruccin tomogrfica
en SPECT
Carles Maria FaIcon FaIcon
ADVERTIMENT. La consulta daquesta tesi queda condicionada a lacceptaci de les segents condicions d's: La difusi
daquesta tesi per mitj del servei TDX (www.tesisenxarxa.net) ha estat autoritzada pels titulars dels drets de propietat
intellectual nicament per a usos privats emmarcats en activitats dinvestigaci i docncia. No sautoritza la seva
reproducci amb finalitats de lucre ni la seva difusi i posada a disposici des dun lloc ali al servei TDX. No sautoritza la
presentaci del seu contingut en una finestra o marc ali a TDX (framing). Aquesta reserva de drets afecta tant al resum
de presentaci de la tesi com als seus continguts. En la utilitzaci o cita de parts de la tesi s obligat indicar el nom de la
persona autora.
ADVERTENCIA. La consulta de esta tesis queda condicionada a la aceptacin de las siguientes condiciones de uso: La
difusin de esta tesis por medio del servicio TDR (www.tesisenred.net) ha sido autorizada por los titulares de los derechos
de propiedad intelectual nicamente para usos privados enmarcados en actividades de investigacin y docencia. No se
autoriza su reproduccin con finalidades de lucro ni su difusin y puesta a disposicin desde un sitio ajeno al servicio
TDR. No se autoriza la presentacin de su contenido en una ventana o marco ajeno a TDR (framing). Esta reserva de
derechos afecta tanto al resumen de presentacin de la tesis como a sus contenidos. En la utilizacin o cita de partes de
la tesis es obligado indicar el nombre de la persona autora.
WARNING. On having consulted this thesis youre accepting the following use conditions: Spreading this thesis by the
TDX (www.tesisenxarxa.net) service has been authorized by the titular of the intellectual property rights only for private
uses placed in investigation and teaching activities. Reproduction with lucrative aims is not authorized neither its spreading
and availability from a site foreign to the TDX service. Introducing its content in a window or frame foreign to the TDX
service is not authorized (framing). This rights affect to the presentation summary of the thesis as well as to its contents. In
the using or citation of parts of the thesis its obliged to indicate the name of the author.
Departament de Fsica Aplicada i Electrnica

Universitat de Barcelona
Programa de Micro y Optoelectrnica Fsica.
Bienio 1993-1995
Mtodos iterativos de reconstruccin

tomogrfica en SPECT
Caries Maria Falcon Falcon
Barcelona, septiembre de 1999.

Memoria presentada para optar al ttulo de Doctor en Ciencias Fsicas.
Realizada bajo la direccin de: Dr. Domnec Ros i Puig
Dr. Ignasi Juvells i Prades
Captulo 5
Mtodos de reconstruccin
algebraicos
pg. 91
5. Mtodos de reconstruccin algebraicos

En este captulo s e expone la implementacin de los algoritmos
de
reconstruccin algebraica y el anlisis de la variacin de la calidad de la

reconstruccin obtenida e n funcin de dos factores, el parmetro
de
relajacin y el n m e r o de iteraciones en el q u e debe interrumpirse el

proceso iterativo d e reconstruccin.
5.1. Formulacin matemtica

Existen d o s vas para la deduccin del algoritmo de
reconstruccin
algebraica utilizado e n este trabajo. En primer lugar, la discretizacin de

las e c u a c i o n e s d e la reconstruccin tomogrfica, segn s e vio e n el
captulo 2, deriva e n un sistema de ecuaciones lineales. En este sentido,
la reconstruccin tomogrfica es equivalente a la resolucin de un sistema
de
ecuaciones
lineales.
En
segundo
lugar,
se
puede
enmarcar
el
p r o b l e m a dentro del anlisis funcional. La implementacin numrica de

m t o d o s analticos de inversin transforma el problema analtico en un
p r o b l e m a algebraico, ya que las funciones se sustituyen por vectores de
valores
numricos
los
operadores
funcionales
se
convierten
en
o p e r a c i o n e s algebraicas. A u n q u e a m b o s planteamientos s o n , e n principio,

diferentes, d e s e m b o c a n e n un m i s m o algoritmo.
A continuacin, se describe el m t o d o de proyecciones para la resolucin

de sistemas lineales (mtodo de Kaczmarz). Posteriormente, se realiza
una p e q u e a introduccin a la teora de inversin de problemas
e s p a c i o s d e Hilbert por el mtodo P O C S {Projection
Onto Convex
en
Sets:
proyeccin sobre conjuntos convexos). Se c o m p r u e b a q u e el m t o d o de

las proyecciones e s un caso particular de P O C S . Finalmente, de describe
el algoritmo de reconstruccin e m p l e a d o .
Captulo 5
algebraicos
pg. 92
5.1.1. Mtodo de las proyecciones de Kaczmarz

Al discretizar la expresin q u e relaciona la imagen y s u s proyecciones s e
obtiene el sistema lineal (ec 2-12):
p = Aq
+n
(ec5-1)
La reconstruccin tomogrfica es la inversin de dicho sistema, es decir,

determinar
la imagen q a partir d e las proyecciones p. El principal
problema e s q u e las proyecciones tienen d o s c o m p o n e n t e s : la seal (A-q)

y el ruido (). El d e s c o n o c i m i e n t o del ruido hace imposible separarlo d e la
seal e invertir la expresin.
Una primera a p r o x i m a c i n es ignorar la presencia d e ruido. Entonces, el

sistema d e e c u a c i o n e s (ec 5-1) se sustituye por el s i s t e m a :
p = Aq
(ec 5-2)
S e g n s e analizar m s adelante, la inversin directa d e este sistema d e

ecuaciones es inviable. N o obstante, existen diversos algoritmos iterativos
de inversin d e sistemas lineales aplicables en esta situacin. Entre ellos
se p u e d e
Gradient)
citar el m t o d o
del gradiente
conjugado
(CG:
Conjgate
[BAK-80] [GOL-89] o el m t o d o d e Landweber [STR-74] [GOL-
89]. El m s c o m n y s i m p l e e s el conocido c o n el n o m b r e de mtodo d e

las proyecciones. F u e descrito por primera vez por Kaczmarz y est
explicado, por ejemplo, e n [HER-80] [KAK-84] [VIE-88]. S u interpretacin
geomtrica e s la siguiente: C a d a ecuacin del sistema (ec 5-2) define un
hiperplano d e d i m e n s i n M ^ - 1 dentro del espacio I R ^ ^ ^ d e las i m g e n e s .
La solucin del sistema ser, por tanto, un punto c o m n a todos estos
hiperplanos; esto es, un punto q u e verifique todas las ecuaciones. Un
mtodo
para
llegar
al punto
d e interseccin
d e varios
hiperplanos
partiendo d e un punto inicial arbitrario e s proyectar ortogonalmente dicho
Captulo 5
pg. 93
algebraicos
punto sobre el primer hiperplano, el punto encontrado se proyecta sobre

el s e g u n d o hiperplano y asi sucesivamente. C u a n d o se ha proyectado
s o b r e el ltimo hiperplano se proyecta de nuevo sobre el primero y se
contina
el
proceso.
modo
de
ejemplo,
en
la figura
5 - 1 , est
representado grficamente el caso d e la interseccin de dos rectas en el

plano.
A21K1
+A22X2=P2
A11X1 +Ai2X2
= Pi
Figura 5-1 Sucesivas aproximaciones a la interseccin de dos rectas

proyecciones ortogonales.
mediante
El algoritmo se d e d u c e mediante la geometra analtica. Cada ecuacin de

un sistema genrico de ecuaciones lineales p u e d e ser escrita c o m o el
producto escalar d e una forma a .
(el subndice j
hace referencia al
n m e r o d e orden d e la forma correspondiente, no a sus componentes) por

el vector d e incgnitas x igualado a un escalar c/.
(ec 5-3)
Captulo 5
La forma
algebraicos
pg. 94
e s ortogonal al hiperplano q u e define la ecuacin (ec 5-3).
Los puntos obtenidos al proyectar sucesivamente s o b r e los hiperplanos

estn indexados con d o s subndices, el primero hace referencia al n m e r o
de ciclo (iteracin) y el segundo al hiperplano sobre el q u e s e est
proyectando. D a d o un punto d e la sucesin x^*'^'\ el siguiente jc^*^^'""^ es
la interseccin del hiperplano correspondiente con la recta ortogonal al
mismo q u e pasa por
x^''^'K
La ecuacin vectorial d e dicha recta e s , por
tanto:
x=:jc(''(''+/l-a,.
(ec5-4)
eg la solucin d e l sistema q u e f o r m a n las dos ltimas ecuaciones.

Puede resolverse multiplicando escalarmente la s e g u n d a ecuacin por
ayx
= a.-x^''^^'^ + -a]
De (ec 5-3), el primer trmino d e esta ltima expresin puede c a m b i a r s e

por Cj. Despejando a h o r a se obtiene:
que substituido d e nuevo e n (ec 5-4):
.vW(-^^')=xWW+
'
aj
(ec5-5)
Si el sistema tiene solucin, su convergencia est asegurada a u n q u e la

velocidad d e c o n v e r g e n c i a d e p e n d e en gran manera del orden e n q u e s e
numeren los diferentes hiperplanos [KAK-84] [GUA-94] [GUA-96].
Captulo 5
En el sistema (ec 5-2), las formas
algebraicos
pg. 95
q u e definen los hiperplanos s o n las
filas d e la matriz A, y el vector d e trminos independientes c es la

proyeccin p. C o n ello, la recurrencia de inversin del sistema (ec 5-2) es:
MxM
/=!
MxM "
(ec 5-6)
La resolucin del sistema est sujeta a alguna restriccin, por ejemplo, la

no negatividad d e los pxeles d e la imagen u otras informaciones a priori,
c o m o el soporte d e la funcin. El mtodo de las proyecciones junto las
restricciones s o b r e la solucin es d e n o m i n a d o A R T con restricciones
{constrained
ART).
La convergencia d e este proceso est d e m o s t r a d a ,
por ejemplo, en [KOL-90].
5.1.2. Mtodo de proyecciones sobre conjuntos convexos

(POCS;
El m t o d o P O C S es un mtodo ideado para resolver problemas inversos
e n espacios d e funciones. Antes d e explicar este mtodo, se realiza una
breve descripcin d e los elementos d e anlisis funcional necesarios para
s u desarrollo. U n a exposicin m s completa p u e d e encontrarse en [LOU83] [HER-87] [MAT-91] O en cualquier libro bsico de anlisis funcional,
c o m o [ABE-76].
Un espacio de Hilbert es un espacio lineal dotado d e un producto escalar

q u e e s completo e n la norma q u e define el producto (||x|| = ( x , x ) ^ ) . Un
espacio d e Hilbert e s a la v e z un espacio vectorial y un espacio mtrico.
Captulo 5
algebraicos
pg. 96
pues la n o r m a define una distancia: la distancia entre dos elementos de

un espacio de Hilbert es la norma de su diferencia:
d{x,y) = \\x-y\\
En este tipo de estructuras tiene sentido hablar tanto de variedades

lineales y ortogonalidad c o m o de proximidad y distancia entre elementos.
C o m o ejemplo d e espacios de Hilbert s e podra citar cualquier espacio

vectorial de dimensin finita d o t a d o de un producto escalar. En particular,
lo es D^^, para todo valor d e N, con el producto escalar eucldeo:
x-y
Y,x^-y,
T a m b i n tiene estructura de espacio de Hilbert el conjunto L2(Q) d e las

funciones reales de c u a d r a d o integrable sobre un dominio Q del plano con
el producto escalar definido por:
/ g = | f{x, y) g{x, y)dxdy
Las imgenes entendidas c o m o funciones analticas son elementos de

L2(Q), mientras q u e las imgenes digitalizadas son elementos del espacio
vectorial
Wl^^'^
En a m b o s marcos, una imagen es un elemento de un
espacio d e Hilbert.
La idea bsica del m t o d o P O C S es q u e cada dato disponible de la

funcin problema define un subconjunto, el subconjunto de las funciones
compatibles con e s e dato [HER-87]. Si s e dispone d e una serie de datos,
la funcin buscada pertenecer a la interseccin de todos los subespacios
Captulo 5
Da. 97
algebraicos
definidos por e s o s datos. Cuanto m a y o r s e a la cantidad d e datos, cuanta

m a y o r s e a la informacin q u e se tenga d e la funcin, m s acotado estar
el s u b e s p a c i o
cmo
d e las soluciones.
determinar
encontrar
soluciones
dichos
la solucin
U n problema
subconjuntos
general,
d e difcil resolucin
y su interseccin.
usualmente,
slo
es
En v e z de
e s posible
dar con
particulares.
Figura 5-2. La sucesiva proyeccin sobre dos conjuntos convexos conduce a un punto
de la interseccin. El resultado final depende del punto inicial escogido.
Para encontrar u n a funcin solucin e s deseable q u e los subconjuntos de

las funciones compatibles con cada dato sean conjuntos c o n v e x o s ^ Si es
as, s e puede llegar fcilmente a la interseccin partiendo d e una funcin
arbitraria
proyectando^
sucesivamente
sobre
todos
los
subconjuntos
(mtodo P O C S ) . La convexidad d e los conjuntos e s condicin
suficiente
para asegurar la convergencia del proceso [YOU-82] [HER-87], a u n q u e el

resultado final d e p e n d e d e la estimacin inicial (punto d e partida). En la
^ Un conjunto C de funciones se denomina convexo, si dadas dos funciones / g

cualesquiera de C, toda funcin del tipo a-f + {\-a)-gCon
0 < a < l tambin es de C. Su
traduccin geomtrica a subespacios eucldeos es que si dos puntos pertenecen al
subconjunto, todos los puntos del segmento que los une tambin pertenecen a diclio
subconjunto.
^ Dado C un subconjunto convexo y / u n a funcin cualquiera, entonces existe una nica
funcin g de C cuya distancia a / es estrictamente menor que la distancia de cualquier
otra funcin de C. La funcin g se denomina la proyeccin d e / s o b r e C. S i / e s de C, la
proyeccin de / sobre C es / mismo. En el caso eucldeo, la proyeccin de un punto
sobre un subconjunto es el punto del subconjunto ms prximo al punto inicial.
Captulo 5
algebraicos
pg. 98
Figura 5-2 s e muestra el proceso iterativo para dos conjuntos convexos

del plano. Si los subconjuntos son disjuntos, el proceso iterativo c o n v e r g e
cclicamente a los puntos d e los subconjuntos que estn m s prximos a
los otros subconjuntos (Figura 5-3)
Figura 5-3. Proyecciones sucesivas sobre dos subconjuntos convexos disjuntos. El

algoritmo converge hacia los puntos de mayor proximidad de ambos subconjuntos.
C o m o datos principales de la funcin se tienen s u s proyecciones en

distintos ngulos. Hay otro tipo de informacin conocida de a n t e m a n o q u e
tambin
puede
incluirse
en
el
proceso
como,
por
ejemplo,
la
no
negatividad de la funcin solucin e n ningn punto, el dominio e n q u e la

funcin p u e d e tener un valor distinto de cero (soporte d e la funcin), el
valor de la integral d e la funcin (nmero total de cuentas), etc. T o d a s
estas condiciones p u e d e n ser formuladas analticamente en el espacio de
funciones [YOU-82], a u n q u e aqu se f o r m u l a n directamente en el espacio
eucldeo de las i m g e n e s y proyecciones digitalizadas. Las ecuaciones d e
proyeccin definen un hiperplano (que e s convexo al ser una variedad
lineal) para cada uno de los bins de la proyeccin. El conjunto de las
imgenes q u e verifican la no negatividad de sus pxeles constituye el
hipercuadrante definido por los semiejes positivos de todas las variables
(es un conjunto convexo). El conjunto de funciones con un
soporte
Captulo 5
algebraicos
pg. 99
d e t e r m i n a d o , definen una variedad lineal d e dimensin P, siendo P el

n m e r o d e pxeles q u e pueden tener un valor distinto d e cero. El conjunto
de i m g e n e s q u e tienen un determinado nmero d e cuentas constituye un
hiperplano definido por la forma cuyas c o m p o n e n t e s son 1 y el trmino
independiente e s igual al nmero d e cuentas. Diversos autores han
propuesto otras condiciones y han demostrado q u e los conjuntos q u e
definen s o n c o n v e x o s [YOU-82] [SEZ-83] [OSK-88] [MAR-90] [SEZ-92]. A s
pues, el conjunto definido por cada uno d e estos datos disponibles e n
reconstruccin tomogrfica es c o n v e x o .
Una v e z definidos los subconjuntos, es preciso determinar los proyectores

sobre ellos (el proyector sobre un conjunto C es el operador q u e conecta
un e l e m e n t o x c o n el elemento d e C m s prximo a x). En el caso q u e el
conjunto s e a un hiperplano el proyector ortogonal tiene exactamente la
m i s m a frmula d e la expresin (ec 5-5) [OSK-88].
La conservacin d e cuentas en la imagen es una condicin q u e puede

establecerse e n este marco slo e n el caso q u e no exista atenuacin,
pues entonces el n m e r o d e cuentas de la imagen coincide con el d e las
proyecciones. Si existe atenuacin, el nmero d e cuentas de la imagen
(fotones
emitidos)
proyecciones
es mayor
(fotones
q u e el nmero
detectados).
El
d e cuentas
nmero
de
sobre
cuentas
las
d e las
proyecciones es un dato del q u e s e dispone, pero el d e la imagen no es

obtenible. Otras normalizaciones del nmero d e cuentas p u e d e n hacerse
por c o m p a r a c i n del numero de cuentas de las proyecciones originales
con el d e las proyecciones obtenidas d e la imagen reconstruida. En este
caso, no es claro q u e el conjunto definido s e a convexo y cul es el
proyector.
Su inclusin
podra
alterar
la convergencia
del
proceso
iterativo. E n cuanto a la no negatividad, el proyector se define con la

relacin [OSK-88]:
Captulo 5
El proceso
algebraicos
siq^ > O
si
pg. 100
<O
iterativo consiste e n , a partir de una estimacin
inicial,
proyectar sobre el conjunto q u e define el primer dato, la funcin obtenida

se proyecta sobre el s e g u n d o conjunto y as sucesivamente sobre todos
los conjuntos. Este proceso puede repetirse tantas veces c o m o
sea
necesario.
En r e s u m e n , el algoritmo de reconstruccin estudiado p u e d e e n m a r c a r s e

en el lgebra lineal o e n el anlisis funcional. Por una parte, e s un
algoritmo iterativo de inversin de sistemas algebraicos al q u e se ha
aadido la restriccin d e no-negatividad para todo pixel d e la i m a g e n . Por
otra, es un caso simple d e una teora general de inversin de p r o b l e m a s
conocida c o n las siglas P O C S . La equivalencia entre A R T y P O C S f u e
determinada
por C e n s o r
[CEN-83b]. Si el sistema tiene solucin,
la
convergencia est a s e g u r a d a . En caso d e incompatibilidad de los datos,

el algoritmo c o n v e r g e cclicamente a los puntos d e cada uno de los
sucesivos conjuntos q u e estn a distancia mnima respecto al conjunto
siguiente.
5.1.3. Limitaciones
del
mtodo
ART.
Parmetro
de
relajacin.
A continuacin se e x p o n e c o m o afecta el mal condicionamiento de la
reconstruccin tomogrfica en los m t o d o s d e reconstruccin algebraicos
y qu medidas de regularizacin pueden ser adoptadas.
En primer lugar, se prescinde del ruido bajo el supuesto implcito de q u e si

el ruido es p e q u e o , la solucin del sistema (ec 5-2) ser parecida a la
solucin del sistema (ec 5-1). Sin e m b a r g o , por ser un problema mal
condicionado, esto no es necesariamente as. A d e m s , al trabajar c o n
Captulo 5
algebraicos
pg. 101
proyecciones c o n ruido, los datos no son consistentes necesariamente, el

sistema a p r o x i m a d o (ec 5-2) no tiene por qu tener solucin y, si la tiene,
la solucin no tiene por q u ser parecida a la d e (ec 5-1). Por otra parte,
ocurre
que,
por
lo
general,
el
sistema
est
subdeterminado
s o b r e d e t e r m i n a d o y a q u e suele ocurrir q u e M^N y, por tanto, la matriz A

no es c u a d r a d a . En este caso, el sistema se podra transformar a uno d e
matriz c u a d r a d a multiplicando por la matriz traspuesta:
B q = p'
conB
= '
Ay p'= '' p.
No obstante, el sistema obtenido est mal
condicionado, al ser su nmero d e condicin^ alto [LLA-82] [DEM-89].

Esto
implica
procedimientos
que,
aunque
algebraicos,
tericamente
una
se
pequea
puede
variacin
invertir
en
los
por
datos
proyecciones p u e d e producir una variacin m u y grande en la imagen.

D a d o q u e en las proyecciones hay una c o m p o n e n t e de ruido q u e est
indeterminada, la amplificacin d e esta c o m p o n e n t e producira imgenes
de calidad inaceptable. Dentro del formalismo P O C S , diversos autores
han
propuesto
garantizan
formas
de
q u e la imagen
incorporar
el tratamiento
se mantenga
cierta
del ruido
distancia
que
d e las
proyecciones ruidosas para q u e no s e produzca el ajuste y amplificacin

del ruido [SEZ-83] [JAF-90] [MAR-90]. En A R T , t a m b i n han sido definidos
dispositivos d e regularizacin equivalentes [BER-86] [NAT-88] [PLA-90].
b a s a d o s en la regularizacin de Tikhonov
[TIK-74]. El problema se
redefine mediante la introduccin d e un funcional estabilizador y se busca

la funcin q u e minimice este funcional en los alrededores d e la solucin,
c o m o , por ejemplo, la minimizacin de la n o r m a de la solucin o la
minimizacin del negativo de la entropa de la solucin. En [KAR-90]
[DEP-91], s e s u m a r i z a n algunas d e las principales funciones utilizadas
Captulo 5
algebraicos
pg. 102
con este propsito. Diversos mtodos iterativos de b s q u e d a del m n i m o

de un funcional s o n aplicables a este tipo de problemas, c o m o por
ejemplo el m t o d o del gradiente conjugado ( C G : Conjgate
Gradient)
[KAW-85] [FOR-89] [ELF-91] o el m t o d o de Landweber [STR-74] [PAN91]. Otras modificaciones del mtodo para suavizar las imgenes e s el
mtodo S I R T {Simultaneous
[KAK-84] y el d e n o m i n a d o
Iterative-ART)
Iterative
Reconstruction
BIP {Block
Iterativo
Technique)
Projections
[GIL-72]
o
Block
[HER-88] [CEN-91] e n los q u e la actualizacin de la imagen
e n cada iteracin n o s e realiza para ajustar correlativamente cada uno d e

los bins d e las proyecciones sino q u e e n cada pixel s e actualiza c o n el
promedio d e las correcciones necesarias para todos (SIRT) o un conjunto
(BIP) d e los bins s i m u l t n e a m e n t e .
El m t o d o d e regularizacin e m p l e a d o e n este trabajo es d e truncacin

del proceso iterativo [DEF-86] [BER-86] [FLE-90]. No obstante, d a d a la
gran rapidez d e convergencia del mtodo, la imagen obtenida en una sola
iteracin es y a inaceptable por la amplificacin excesiva del ruido. La
solucin pasa por ralentizar el algoritmo c o n un parmetro de relajacin.
La relajacin d e un m t o d o iterativo consiste en aadir a los pxeles d e la
imagen,
e n cada
actualizacin,
slo
una fraccin
d e la
correccin
correspondiente, d e t e r m i n a d a por el parmetro de relajacin co:
MnM
A,
<,M" = , M ' " ' l + . -
'
(eo5-7)
^ Se define el nmero de condicin como el cociente entre el mayor y el menor valor

propio de la matriz. Cuanto mayor sea el nmero de condicin de la matriz peor
condicionado ser el sistema [BAK-80].
Captulo 5
algebraicos
pg. 103
El parmetro d e relajacin d e b e estar comprendido entre O y 1^"*^ y puede

variar iteracin a iteracin. A l ir el algoritmo m s lento, permite diferenciar
el punto e n q u e el ruido e m p i e z a a amplificarse y detener e n e s e
m o m e n t o el proceso iterativo d e reconstruccin. El uso del parmetro d e
relajacin f u e introducido en reconstruccin
tomogrfica
por G o r d o n
[GOR-70] [GOR-74] c o m o una estrategia para mejorar la calidad d e la

reconstruccin. Natterer justifica el uso de un factor de relajacin m u y
p e q u e o c o m o m t o d o d e regularizacin del problema
convergencia d e A R T c o n relajacin para 0<CD<2
[NAT-86]. La
est d e m o s t r a d a en
[HER-78]. El uso d e un parmetro d e relajacin prximo a cero hace q u e ,

e n caso d e inconsistencia, el algoritmo converja al punto de mayor
proximidad
a t o d o s los conjuntos. En [CEN-83a] se c o m p r u e b a q u e
c u a n d o el sistema es inconsistente, el mtodo d e A R T c o n relajacin

fuerte converge a la funcin q u e minimiza el residuo {\\A-q-pf
solucin
d e m n i m o s cuadrados).
5.1.4. El algoritmo utilizado.

El algoritmo utilizado en este trabajo es el de A R T con relajacin y la
restriccin
d e no negatividad
d e los pxeles
d e la i m a g e n .
En la
transcripcin del algoritmo, se han de tener e n cuenta las siguientes

consideraciones:
En c a d a iteracin, la imagen se actualiza M-N veces, ya q u e s u valor

es modificado para q u e coincida sucesivamente con cada uno d e los
bins d e la proyeccin. Por esto la imagen lleva un doble superndice.
El ndice k indica el nmero d e iteracin, mientras q u e el ndice j , al
recorrer
los
bins
de
la
proyeccin,
indica
la
actualizacin
correspondiente d e la imagen dentro de cada iteracin.
" En el caso de ser mayor que 1 se obtendra una aceleracin del proceso
(sobrerelajacin). Si es prximo a cero, se habla de relajacin fuerte y si es prximo a 1,
pero inferior, de relajacin dbil.
Captulo 5
algebraicos
pg. 104
Las proyecciones obtenidas a partir d e la imagen reconstruida llevan

un
superndice
que
indica
la
iteracin.
Las
proyecciones
experimentales, e n c a m b i o , no llevan superndice.
El algoritmo d e reconstruccin algebraica consta de los siguientes pasos:

I. Inicializacin. C o m o estimacin inicial se toma la imagen cero (cada
pixel de la i m a g e n es cero).
k = o-
^(x)=o
II. Iteraciones:
k = k + \; 7 = 0
a) Para c a d a bin de la proyeccin:
-7=7+1
- Se calcula la proyeccin de la i m a g e n actual sobre el bin j de la
proyeccin:
MxM
- S e evala la diferencia d e este valor con el experimental:
- S e reparte dicha diferencia sobre la imagen s e g n la expresin:
<*>=!^-" + < . 3
(ec5-8)
- Si tras esta actualizacin de la i m a g e n algn pixel tiene un valor

negativo, se le asigna el valor cero (condicin d e no-negatividad)
b) Una v e z recorrido todos los bins d e la proyeccin, se considera q u e
se ha efectuado una iteracin.
Captulo 5
algebraicos
pg. 105
- S e graba la imagen para su posterior evaluacin.

- Si el n m e r o d e iteraciones preestablecido no se ha cumplido, se
realiza la asignacin
y se repite este proceso.
5.2. Descripcin de las pruebas realizadas

S e ha realizado un estudio de la dependencia de la calidad d e la imagen
reconstruida en funcin de tres parmetros d e la reconstruccin:
n m e r o d e cuentas sobre las proyecciones, el nmero de
el
iteraciones
necesarias y el valor del parmetro de relajacin. Para ello, han sido

obtenidas unas proyecciones experimentales del modelo real de Jaszczak
u s a n d o los siguientes parmetros de adquisicin:
Colimador B
N m e r o d e proyecciones: 6 0 equiespaciadas en 360
T a m a o d e pixel: 0.4587 c m
Radio de giro d e la g a m m a c m a r a : 17 c
C u e n t a s por seccin: 400 Kc.
Posteriormente, han sido generadas numricamente proyecciones d e este

m o d e l o c o n las degradaciones de ruido, PSF, atenuacin y dispersin.
Los parmetros d e las proyecciones simuladas han sido los m i s m o s que
los experimentales. T a m b i n han sido simulados dos conjuntos m s de
proyecciones con los mismos valores pero diferente nmero de cuentas
por seccin: 2 5 0 Kc en un caso y 2000 Kc e n el otro. De todos los
conjuntos se han realizado 10 realizaciones diferentes de ruido. T o d o s
estos conjuntos d e proyecciones,
han sido corregidos de
dispersin
mediante una deconvolucin de la S R F correspondiente.
T a n t o los conjuntos de proyecciones reales c o m o los simulados han sido

reconstruidos utilizando el algoritmo descrito e n el punto anterior para los
valores del parmetro de relajacin de 0 . 0 1 , 0.02, 0.04, 0.08, 0 . 1 , 0.14,
0.16, 0.18, 0.2, 0.25, 0.3 y 0.35. Parmetros de relajacin superiores han
Captulo 5
algebraicos
pg. 106
sido d e s e s t i m a d o s d e s p u s d e las primeras pruebas d a d o s s u s m a l o s

resultados. El n m e r o m x i m o d e iteraciones usado e n cada caso f u e d e
64, pues s e ha visto q u e , para todas las pruebas, los mejores resultados
se obtienen
antes
d e esta
iteracin.
Las diferentes
secuencias
de
imgenes obtenidas h a n sido evaluadas mediante las F D M : CC, CV, CON

y SNR ( a m b a s e n el crculo 1) al igual q u e en las pruebas del captulo
anterior.
5.3. Resultados obtenidos

Para cada realizacin d e ruido y para c a d a factor d e relajacin s e han
evaluado las diferentes F D M para cada iteracin. Los resultados de los
diferentes estudios s e h a n promediado sobre las 10 realizaciones d e
ruido. T a m b i n se ha calculado la dispersin de todos los valores sobre
las
diferentes
realizaciones
de ruido,
sin encontrarse
ningn
valor
a n o r m a l m e n t e alto para las F D M discutidas. Para fijar la notacin, cada

vez q u e s e escriba el valor d e una F D M s e indica entre parntesis la
iteracin e n q u e dicha F D M alcanza e s e valor. Si la F D M est definida
sobre una regin d e inters, a continuacin de la F D M s e indica c o n un
nmero la regin d e la imagen a la q u e s e refiere.
La Figura 5-4 muestra, para el estudio simulado d e 4 0 0 Kc, los valores

(en promedio sobre las 10 realizaciones d e ruido) d e CC, CONl,
CV y
SNRl en f u n c i n del n m e r o d e iteraciones para los valores del parmetro

de relajacin 0 . 0 1 , 0.06, 0 . 1 , 0.14, 0.2 y 0.35. Las grficas de las F D M
respecto el n m e r o d e iteraciones nos muestran
un comportamiento
diferenciado para las distintas F D M . A s , mientras CC y SNR s o n funciones

q u e alcanzan un valor m x i m o y C F u n valor mnimo (su mejor valor) tras
el q u e e m p i e z a n a deteriorarse, CON es una funcin siempre creciente.
Respecto el factor d e relajacin, se observa que, cuanto menor es los
mejores valores d e CC, CV y SNRl
s e obtienen c o n un n m e r o d e
iteraciones mayor. A s , por ejemplo, para el caso y= 0 . 0 1 , ni CC ni SNRl
Captulo 5
alcanzan
su mximo
algebraicos
en las 6 4 iteraciones
pg. 107
realizadas
(0.959(64)
5.11(64), respectivamente) y C F tiene un mnimo d e 14.37(9), mientras

que, si y = 0 . 1 , el valor mximo d e CC e s 0.963(10), el d e SNRl 5.13(6) y
el mnimo d e CVes
15.42(6). El valor mximo d e CONI crece c o n el factor
de aceleracin.
0.01
0.06
0.1
0.14
0.2
Valor del parmetro de relajacin

para cada lnea de la grfica.
0.35
1.00
'
0.95
l\
0.85
0.80
it
o
1
10
20
30
40
50
60
nmero de Iteraciones
10
20
1
30
40
50
1
60
o:
w
10
20
30
40
50
nmero de iteraciones
60
10
20
30
40
50
60
Figura 5-4. Modelo simulado (400 Kc).Valores de CC, CV, CON] y SNRl en funcin del
nmero de iteraciones para diferentes valores del parmetro de relajacin.
Captulo 5
algebraicos
pg. 108
En la Figura 5-5, s e muestra el mejor valor d e cada F D M (izquierda) y el

nmero d e iteraciones e n q u e s e alcanza e s e valor (derecha) en funcin
del parmetro d e relajacin, para los estudios d e 2 5 0 Kc (lnea d e
puntos), 4 0 0 K c (lnea continua) y 2 0 0 0 Kc (lnea mixta). Analizando los
resultados obtenidos c o n 4 0 0 Kc, el valor d e CC s e mantiene constante
hasta valores d e y =0.15 aproximadamente. A partir d e e s e punto, el
mximo d e CC alcanzado decrece, reflejando un deterioro de la calidad d e
la i m a g e n . Este deterioro se pone t a m b i n de manifiesto considerando
CV, s u valor m n i m o crece c o n co. El crecimiento e s mayor a partir d e
valores d e co m a y o r e s d e 0 . 1 . Esto significa que el f o n d o del modelo es
ms
no-uniforme
cambio, CONl
co=0.^4,
cuanto
mayor s e a el parmetro
d e relajacin. En
crece rpidamente d e y =0.01 hasta y = 0 . 1 . A partir d e
la curva d e CONl
continua creciendo, pero su pendiente es
m u c h o m e n o r S e ha d e recordar, q u e , al s e r CONl una funcin creciente,

su valor m x i m o est limitado por el nmero m x i m o de iteraciones
realizadas, no e s un m x i m o absoluto. E n este sentido, si el nmero d e
iteraciones
fuera
mayor
en las reconstrucciones
c o n parmetro
de
relajacin menor, s e alcanzaran valores mximos de CONl similares a los

obtenidos c o n parmetros de relajacin mayores. La grfica de SNRl, q u e
es una F D M q u e evala conjuntamente el efecto d e CON y CV sobre la
imagen, e s plana para valores d e m e n o r e s d e 0 . 1 , valor a partir del cual
decrece significativamente. En cuanto al nmero de iteraciones en q u e s e
alcanza el mejor valor, e n la Figura 5-5 s e pueden observar diferentes
comportamientos para las diferentes F D M . Tanto para C C c o m o para SNR
el nmero d e iteraciones disminuye al a u m e n t a r co, mientras q u e para CV
y CON, el n m e r o d e iteraciones es prcticamente independiente d e co.
Captulo 5
Pg. 109
algebraicos
1.000
o
0.975 - ^
><
ro
0.950 E
0.925 0.900
0.0
0.1
0.2
0.3
0.0
factor de relajacin
0.1
0.2
0.3
factor de relajacin
>
o
0.1
0.2
0.3
0.0
factor de relajacin
0.1
0.2
0.1
0.2
0.3
factor de relajacin
0.3
factor de relajacin
.0
0.1
02
0.3
factor de relajacin
z
co
as
><
0.0
01
02
factor de relajacin
03
factor de relajacin
Figura 5-5. Modelo simulado. Mejores valores de las FDM e iteraciones precisas para
alcanzarlos, para 250 Kc (puntos), 400 Kc (continua) y 2000 Kc (mixta).
Captulo 5
pg. 110
algebraicos
5 cm
Dimetro del circulo:
4 cm
3 cm
2 cm
1.5 cm
1 cm
O
o
><
ra
E
0.1
0.2
0.3
factor de relajacin
0.1
0.2
factor de relajacin
0.0
0.1
0.2
0.3
factor de relajacin
03
01
0.2
03
factor de relajacin
Figura 5-6. Modelo simulado (400 Kc). Valores mximos de CON y SNR y nmero de
iteraciones necesario para alcanzarlos de los 6 crculos en funcin del parmetro de
relajacin
La Figura 5-6 muestra el comportamiento de CON
y SNR
para los 6
crculos d e la imagen e n la simulacin de 4 0 0 Kc. P u e d e observarse q u e

el comportamiento para los diferentes crculos es parecido, obtenindose
los mejores resultados para los de mayor t a m a o . La dispersin d e los
valores obtenidos d e las diferentes F D M e n las 10 realizaciones de ruido
es mayor para los crculos de menor radio. Esto indica que, para los
crculos m s p e q u e o s , el resultado es m s sensible a las fluctuaciones
de la seal debidas a la presencia de ruido. Para el crculo menor, la
Captulo 5
algebraicos
pg. 111
dispersin era del orden del 1 5 % de su valor. Esto y el hecho d e q u e este

ltimo
crculo
est
formado
por
tan
slo
pxeles,
sugiere
el
c o m p o r t a m i e n t o a n m a l o que se observa para valores altos del parmetro

d e relajacin no e s un hecho m u y significativo.
La Figura 5-7 muestra la confrontacin de los resultados obtenidos para el

m o d e l o real con los obtenidos e n la simulacin. Los resultados para CC y
C F s o n m u y parecidos, con slo p e q u e a s diferencias en cuanto valor del
m x i m o y n m e r o d e iteraciones. T a m b i n se observa que, para a m b a s
F D M el resultado e s algo mejor e n el caso simulado. El n m e r o de
iteraciones para alcanzar el mejor valor son ligeramente inferiores e n el
caso real. Respecto a CON y SNR
las grficas muestran los resultados
para los crculos de 4 y 1.5 cm de dimetro (zonas 2 y 5 respectivamente).

La lnea discontinua corresponde al crculo de radio 4 c m e n el caso
simulado, la lnea de puntos corresponde al m i s m o crculo en el caso real.
Para el crculo de
1.5 cm la lnea raya-punto corresponde al
caso
simulado y la raya-punto-punto al caso real. El comportamiento
para
a m b o s crculos e s cualitativamente igual para el caso real y simulado,

a u n q u e cuantitativamente
hay pequeas diferencias. En general,
los
mejores resultados corresponden al caso simulado, excepto para CON del

crculo menor. Para los crculos menores, el efecto del ruido afecta m s al
resultado y la dispersin para las diferentes realizaciones de ruido es
mayor.
Captulo 5
-.^rz^-z.
algebraicos
pg. 112
modelo real
simulacin
1.00
0.1
0.2
0.3
factor de relajacin
factor de relajacin
>
O
0.1
02
0.3
1.0
01
0.2
factor de relajacin
factor de relajacin
01
02
03
factor de relajacin
factor de relajacin
0.1
0.2
factor de relajacin
03
0.3
factor de relajacin
Figura 5-7. Comparacin de los resultados obtenidos de las proyecciones simuladas

(400 Kc) con los de las proyecciones del modelo real. Valores mejores de las FDM e
iteraciones en las que se consiguen en funcin del parmetro de relajacin.
Captulo 5
algebraicos
pg. 113
La Figura 5-8 m u e s t r a la imagen del modelo real obtenida m e d i a n t e la

reconstruccin
condiciones
de
las
deducidas
proyecciones
del
estudio
experimentales
simulado.
En
bajo
todas
diferentes
ellas
hay
correccin d e los efectos d e g r a d a n t e s d e la dispersin (por deconvolucin

d e la S R F ) , d e P S F y atenuacin (incluidos e n la matriz d e pesos). La
figura (a) es el m o d e l o de referencia utilizado para evaluar las F D M . Las
figuras (b), (c) y (d) muestran la i m a g e n reconstruida con un parmetro de
relajacin igual a 0.1 despus d e 2, 8 y 64 iteraciones respectivamente.
P u e d e v e r s e la influencia del n m e r o d e iteraciones en la reconstruccin.
Para d o s
iteraciones, el contraste, e s p e c i a l m e n t e
menores,
es
muy
bajo.
La
imagen
parece
no
el d e
estar
los
crculos
corregida
de
a t e n u a c i n . Los b o r d e s d e la i m a g e n estn realzados respecto el centro

d e la m i s m a . Esto provoca que, a u n q u e la imagen s e a m u y poco ruidosa,
CV s e a alto, pues el valor del f o n d o no es uniforme. Esto c o n c u e r d a con
los resultados d e CV expuestos e n la Figura 5-4. La correccin del efecto
d e la a t e n u a c i n , incluido e n la matriz de pesos, necesita m s iteraciones
para manifestarse. En la figura (c) p u e d e verse la imagen q u e , s e g n los
resultados
obtenidos, corresponderan
a una situacin ptima
(mejor
calidad global - solucin balanceada entre m x i m o CC y m x i m o CON con el m n i m o d e iteraciones). En esta imagen, t o d o s los crculos excepto
el m e n o r tienen un contraste elevado, la correccin de la atenuacin ya
est realizada y el f o n d o es bastante uniforme. Para 64 iteraciones (figura
(d)), incluso el crculo pequeo presenta un e l e v a d o contraste, pero la
presencia d e ruido e n la imagen se ha incrementado, en concordancia
con lo e n c o n t r a d o para la simulacin. La figura (e) c o r r e s p o n d e a la
reconstruccin con y =0.01 y 6 4 iteraciones. La imagen es prcticamente
igual q u e e n (c) mientras q u e se ha necesitado 8 veces m s iteraciones
para alcanzarla, c o n el consiguiente aumento d e t i e m p o d e c o m p u t a c i n .
La ltima
imagen
(f) es la reconstruccin
obtenida
con
L>=0.3 y
iteraciones. Esta i m a g e n presenta un mayor contraste pero un f o n d o ms

ruidoso q u e (c). E s t e hecho es consistente con los resultados e n c o n t r a d o s
e n el estudio s i m u l a d o .
Captulo 5
algebraicos
oa. 114
Figura 5-8. Imgenes de la reconstruccin de las proyecciones experimentales, a)

Modelo de referencia (digitalizacin del modelo real) b) c) y d) Imagen obtenida utilizando
o =0.1 y 2, 8 y 64 iteraciones respectivamente, e) Imagen con y =0.01 y 64 iteraciones, f)
Imagen resultante de utilizar o=0.3 y 8 iteraciones.
5.4. Discusin de los resultados

Es destacable el diferente comportamiento de CON
respecto CC, CV y
SNR. La mejora de CON s e corresponde c o n un deterioro de las otras tres

F D M . CON es una F D M relacionada c o n la correcta distribucin d e las
cuentas por las diferentes regiones de la imagen. La presencia de ruido
no modifica, dentro d e un rango, su valor, como puede comprobarse es la
superposicin d e las grficas de CONI
para diferentes n m e r o s
de
cuentas e n las proyecciones (Figura 5-5). En cambio, las otras tres F D M

s que tienen una gran dependencia con el ruido sobre las proyecciones.
Su deterioro aporta informacin sobre la progresiva amplificacin del ruido
sobre la i m a g e n . T o d o ello indica que d e b e tenerse e n cuenta la F D M q u e
Captulo 5
algebraicos
pg. 115
interesa optimizar para decidir el punto de truncacin del proceso iterativo

y el parmetro de relajacin a usar. De los resultados se infiere que, para
obtener una i m a g e n bien definida, p o c o ruidosa, s e han de realizar m e n o s
iteraciones que si d e s e a una imagen bien contrastada. En contrapartida,
el valor d e CON alcanzado ser bajo. Reciprocamente, si se d e s e a una
i m a g e n bien contrastada, con las cuentas bien repartidas en las zonas
correspondientes d e la imagen, se d e b e iterar m s , aunque sea a costa
d e a u m e n t a r el ruido sobre la imagen. Usualmente, para
propsitos
generales, se buscar un compromiso de a m b o s factores q u e mejoren

g l o b a l m e n t e varias F D M .
S e d e d u c e que, por una parte y y el nmero d e iteraciones d e b e n ser

altos para q u e COA^sea alto, y por otra parte CC, CVy
SNR exigen valores
d e ) p e q u e o s . Entonces, un valor d e (o prximo a 0.1 equilibra los dos

propsitos: CCy
se
ha
SNR se mantienen en sus mejores valores, CK todava no
deteriorado
significativamente,
CON
ha
alcanzado
valores
prximos a los ptimos. En cuanto el nmero de iteraciones, para 0 = 0 . 1 ,

CC necesita 10 iteraciones para alcanzar su mejor valor, CV6
iteraciones,
CON 6 4 iteraciones y SNR 8 iteraciones. Esto, junto al conocimiento q u e

se tiene del comportamiento de las FDM en funcin del n m e r o de
iteraciones (Figura 5-4), nos permite deducir q u e el resultado q u e mejora
globalmente las diferentes FDM es el obtenido en las 8-10 iteraciones.
Para este nmero d e iteraciones, CC, CVy
SNR s e hallan muy prximos a
sus mejores valores y CON es ligeramente inferior (Figura 5-4). En funcin

d e lo q u e se quiera observar en la imagen, p u e d e ser
conveniente
efectuar m s iteraciones para mejorar CON en detrimento d e CV y las

otras F D M .
En la Figura 5-5 q u e d a reflejado q u e el parmetro de relajacin produce

d o s efectos sobre el proceso iterativo. En primer lugar, si el valor del
parmetro de relajacin es p e q u e o (y<0.1) s e observa que cuanto
Captulo 5
algebraicos
pg. 116
menor es s u valor m a y o r es el nmero de iteraciones necesarios para

alcanzar los mejores resultados. Para este rango de valores, el efecto del
parmetro d e relajacin e s ralentizar el proceso iterativo (mismos valores
en un n m e r o mayor d e iteraciones). Por otra parte, si el parmetro e s
mayor ( y > 0 . 1 ) los valores mejores de CC, CV y SNRl
decrecen con el
factor de relajacin, lo q u e refleja el deterioro de la imagen resultante.

Esto est d e acuerdo c o n lo expuesto en la primera parte de este captulo
sobre la necesidad de utilizar un factor d e relajacin e n A R T en presencia
de ruido y el uso de un factor de relajacin pequeo con el fin de mejorar
los resultados d e este m t o d o de reconstruccin.
En cuanto
la contrastacin
de
los
resultados
simulados
con
los
experimentales, se ha de referir que el ajuste entre la imagen inicial y la

imagen de referencia c o n la que se evalan las F D M es mayor en el caso
simulado (en que coinciden exactamente) que e n el caso real.
Esto
justifica, e n parte, los peores resultados de las F D M en el caso real

respecto el simulado. Otro factor a tener e n cuenta en la justificacin de la
diferencia d e resultados experimentales y numricos e s en el conjunto d e
aproximaciones llevadas a cabo en la simulacin de las proyecciones. Por
eso,
los
resultados
deben
ser
contrastados
solamente
de
manera
cualitativa. En este sentido, se puede ver que, a pesar de los factores

m e n c i o n a d o s con anterioridad, el estudio real y el s i m u l a d o exhiben una
buena concordancia. El comportamiento cualitativo de las curvas e s igual
para a m b o s casos (Figura 5-7).
Captulo 6
estadsticos
pg. 117
6. Mtodos de reconstruccin estadsticos

Los
mtodos
de
mxima
verosimilitud
fueron
introducidos
en
la
reconstruccin tomogrfica d e i m g e n e s d e emisin por R o c k m o r e [ROC76] y, posteriormente, por S h e p p y Vardi [SHE-82]. Desde entonces, han
tenido un gran desarrollo y una creciente aceptacin c o m o
robustos
q u e permiten
respuesta
del
detector,
incorporar
de
las correcciones
manera
que,
poco
mtodos
de atenuacin
a
poco,
se
y
va
estandarizando s u uso en equipos d e gammagrafa convencionales. No

obstante, hay a l g u n o s puntos q u e todava no estn satisfactoriamente
resueltos. Este podra ser el caso, por ejemplo, d e la lentitud del mtodo o
del n m e r o de iteraciones en q u e d e b e detenerse el proceso iterativo.
En este captulo, tras una introduccin al formalismo matemtico y a la

implementacin del algoritmo, s e hace un estudio de d o s m t o d o s de
aceleracin,
Ordered
rango
la
Subsets).
de
sobrerelajacin
los subconjuntos
ordenados
(OS;
Se evala su eficacia como tcnica de aceleracin y su
validez.
Paralelamente,
se
realiza
un
estudio
sobre
la
aplicabilidad y funcionamiento d e un criterio estadstico para finalizar el

proceso iterativo d e la reconstruccin, la validacin cruzada {CVR:
validation
ratid),
cross-
e n estos e s q u e m a s acelerados. Para ello, se estudia la
evolucin d e la i m a g e n e n sucesivas iteraciones c o n el fin d e determinar

si el criterio CVR detiene el proceso en un punto idneo, tanto al usar el
algoritmo estndar c o m o e s q u e m a s acelerados.
6.1. Formulacin matemtica

6.1.1. Estimadores de mxima verosimilitud
S e hace a continuacin un breve resumen de la teora de los estimadores
d e m x i m a verosimilitud. Puede encontrarse un desarrollo e n [RIO-74],
[CUA-81] o [CUA-96].
Captulo 6
estadsticos
pg. 118
Sea una distribucin d e probabilidad d e la variable aleatoria x d e p e n d i e n t e

de un parmetro f(x;a).
S e quiere determinar el valor d e ese parmetro
mediante una muestra (X,X2,...,XN)
de la variable. Para ello se construye un
estimador, esto es, u n a funcin de los valores de la muestra, q u e nos

permita c o n o c e r el valor estimado del parmetro. El m t o d o de la m x i m a
verosimilitud ( M L E - Mximum
Likelihood
Estimatoi),
introducido por Fisher
en 1950, indica que el valor que d e b e tomarse c o m o estimacin del

parmetro a e s el q u e hace que la probabilidad d e haber o b s e r v a d o
(X],X2,...,XN)
a partir d e f(x;a)
sea m x i m a . Para obtener este valor, se
construye la funcin d e verosimilitud de la muestra:
L(a) =
f(x^;a):..-f(x^;a)
El estimador d e m x i m a verosimilitud de a es el valor d e este parmetro

que maximiza la funcin d e verosimilitud, e s decir:
da
Dado q u e el logaritmo e s una funcin montona y, por tanto, el m x i m o

del logaritmo d e una funcin coincide con el m x i m o d e la funcin, por
razones d e facilidad d e clculo, en vez del mximo d e la verosimilitud s e
suele calcular el m x i m o d e su logaritmo:
aiog(a)
5a
Si la funcin d e p e n d e de varios parmetros f(x;a,...,ak),

expresin se generaliza c o n la serie de condiciones:
esta
ltima
Captulo 6
estadsticos
pg. 119
El estimador d e m x i m a verosimilitud es consistente, en el sentido d e q u e

c o n v e r g e e n probabilidad hacia el valor real del parmetro c u a n d o el
n m e r o d e e l e m e n t o s d e la muestra tiende a infinito.
Estos m t o d o s p u e d e n ser fcilmente extendidos al caso d e procesos

multivariantes, c o n una funcin d e densidad d e un vector de m variables
aleatorias
={ai,...,ak).
x=(x',...,x"')
dependiente
y c o n una muestra
dimensionales xi={x',---,x'"),....,
de
un vector
formada
de
parmetros
por A'' observaciones
m-
La funcin d e mxima
XN={X'N,...,X"'N)-
verosimilitud d e la muestra es igualmente:
L(0) =
f(x,;0):..-f(x,;0)
y las ecuaciones d e verosimilitud s o n las mismas.
6.1.2. Aplicacin
de
los
estimadores
de
mxima
verosimilitud a la reconstruccin tomogrfica.

S e g n s e vio en el capitulo 2, la reconstruccin tomogrfica
puede
plantearse c o m o un problema d e estimacin d e parmetros d e funciones

de probabilidad. C a d a pixel emite siguiendo u n a ley d e Poisson d e
parmetro proporcional a su actividad. Reconstruir la imagen significa
determinar la actividad del pixel, o s e a , el parmetro de la distribucin de
Poisson. Este parmetro se puede estimar mediante un estimador de
m x i m a verosimilitud. Es decir, s e busca la imagen (actividades de cada
pixel)
que
maximiza
experimental d a d a .
la
probabilidad
de
obtener
una
proyeccin
Captulo 6
pg. 120
estadsticos
Para encontrar ese estimador, primero se ha de construir la funcin d e

verosimilitud. La funcin d e verosimilitud e s la probabilidad de encontrar la
proyeccin experimental condicionada al valor de la i m a g e n [ROC-76]. En
el caso
de
que
las variables
aleatorias
sean del tipo
Poisson,
la
verosimilitud s e calcula mediante la expresin [SHE-82] [VEK-87]:
MxN
Liq) = P(p\q) =
Yle'''
7=1
/j
(ec 6-1)
',
P/-
donde
MxM
Las e c u a c i o n e s de verosimilitud respecto a los valores a ajusfar s o n :
dq,
(ec 6-2)
dq^
El logaritmo d e la expresin (ec 6-1) es:
MxN
logZ, = log
h '''
MxN
= Z (~ ^/ + Pj
./=1
y las ecuaciones de verosimilitud:
Pj
MxM
q u e se p u e d e n escribir d e la forma:
=0
~ logPj \)
Captulo 6
MxN
. J
EJ'
estadsticos
pg. 121
1
" M X M
/=1
(^^6-3)
/=!
Esta es la ecuacin bsica del algoritmo de la mxima verosimilitud,

d o n d e las incgnitas s o n los valores qt d e emisin de los pxeles d e la
i m a g e n . Dado q u e no es posible la resolucin directa d e este sistema d e
e c u a c i o n e s , existen diferentes e s q u e m a s iterativos para la resolucin del
mismo.
Multiplicando a m b o s lados d e la (ec 6-3) por la incgnita q, queda una

ecuacin d e la f o r m a :
(ec6-4)
x = x-f{x)
Este tipo d e p r o b l e m a s puede resolverse mediante una recurrencia del

tipo:
Este m t o d o d e resolucin de ecuaciones, d e n o m i n a d o mtodo de las

aproximaciones sucesivas, substituciones sucesivas o m t o d o iterativo
simple,
corriente
dependiendo
en
anlisis
d e la fuente
numrico.
bibliogrfica
Puede
consultada,
encontrarse
es muy
su desarrollo
propiedades e n cualquier m a n u a l d e anlisis numrico como, por ejemplo,

[DEM-77b] [BAK-80]. El algoritmo iterativo para el sistema d e ecuaciones
de verosimilitud se escribe:
NxM
/=!
. /4
,/=1
Captulo 6
estadsticos
pg. 122
Una m a n e r a alternativa d e desarrollar un algoritmo d e resolucin d e las

ecuaciones d e verosimilitud es utilizar el algoritmo d e maximizacin d e la
expectacin ( E M : Expectation
Maximization).
El e s q u e m a E M para el
clculo d e e s t i m a d o r e s d e mxima verosimilitud f u e desarrollado por

Dempster [DEM-77a] y aplicado por primera vez en al reconstruccin d e
imgenes d e emisin por S h e p p y Vardi [SHE-82]. Para su aplicacin,
debe ser definido un conjunto de datos {x,,} asociado a los valores p j
d e n o m i n a d o conjunto completo de datos. Cada x,/ representa los fotones
que han sido emitidos e n el pxel z-simo de la i m a g e n q u e han sido
detectados e n el b i n y - s i m o d e las proyecciones. Por tanto:
MxM
El algoritmo consta d e d o s pasos en cada iteracin:
Paso E (Expectation):
Clculo del valor esperado del logaritmo de la
verosimilitud. El valor e s p e r a d o del conjunto c o m p l e t o d e datos c o n

distribucin Poisson es [SHE-82] [LAN-84] [LLA-b]:
x_.
/)=!
En f u n c i n del conjunto d e datos {x,,}, el logaritmo d e la verosimilitud

se e x p r e s a c o m o :
MxNMxM
logL = log{p(p\^q)) = X S ( -
^ , ^ 1
+ ^./ logU,^,)- logX,!)
./=! '=1
Sustituyendo los datos {x,;} por su valor esperado:
Captulo 6
x\
estadsticos
pg. 123
MxNMxM
-
î'ii
\og(A,q)+t.indep.de
e x p r e s a el valor esperado del logaritmo de la verosimilitud, d o n d e los

trminos independientes de las variables q corresponden al logaritmo
del factorial d e xy,.
Paso M {Maximization).
Maximizacin del valor esperado del logaritmo
d e la verosimilitud. El m x i m o s e consigue para el valor q u e anula la

derivada del valor estimado d e l logaritmo d e la verosimilitud. La
solucin d e la ecuacin es el nuevo valor estimado q^''^'^:
A +
>
p,A,q^^
= 0
MxM
q u e tiene por solucin la expresin (ec 6-6).
El proceso iterativo resultante es convergente a una solucin
nica
incluso c u a n d o los datos tienen ruido [WU-83] [LAN-84]. El algoritmo

resultante
Expectation
es
denominado
ML-EM
(Mximum
Lil<eliiiood
Estimator-
Maximization)
6.1.3. Mtodos de aceleracin del proceso

D a d a la lentitud del algoritmo original M L - E M , e n los ltimos aos han
sido propuestos n u m e r o s o s procedimientos para acelerarlo [LEW-86],
[KAU-87], [TAN-87], [LLA-93], [HUD-94] [WAL-96] [KAM-98]. En este
trabajo
se estudian
un mtodo
clsico de sobrerelajacin
[LEW-86]
Captulo 6
estadsticos
pg. 124
[CHE-88] [LLA-a] as c o m o otro mtodo m s reciente, d e n o m i n a d o el

mtodo d e los subconjuntos ordenados ( O S ; Ordered Subsets)
[HUD-94].
Parmetro de aceleracin
Un m t o d o d e acelerar un proceso iterativo como el descrito por la
expresin (ec 6-5) es el u s o d e un parmetro d e sobrerelajacin [SCH-93].
Los
esquemas
multiplicativos
de
este
tipo
pueden
incorporar
un
parmetro n correspondiente a una potencia a la q u e elevar la correccin

efectuada e n cada iteracin:
;c(*-')=x(*'.(/(x(*'))
n acta c o m o un p a r m e t r o d e relajacin (subcorreccin d e la incgnita

q u e produce un retraso e n la convergencia del proceso iterativo) si t o m a
valores c o m p r e n d i d o s entre O y 1 y de sobrerelajacin (sobrecorreccin
de la incgnita q u e provoca una aceleracin en la convergencia) e n caso
que sea m a y o r q u e 1. El uso del parmetro d e sobrerelajacin hace q u e
el nmero d e cuentas total, q u e se preserva automticamente e n el
algoritmo M L - E M sin aceleracin, p u e d a alterarse durante el proceso
iterativo. Para eludir esta inestabilidad, e n [LLA-a] se propone el uso d e
un multiplicador indeterminado de Lagrange ju en las ecuaciones d e
verosimilitud q u e fuerza la conservacin del nmero total d e cuentas d e la
reconstruccin. El logaritmo d e la verosimilitud a minimizar se reescribe:
MxN MxM.
7=1 /=1
f MxN MxM
V./=l
'=1
MxN
> i
A las ecuaciones d e la verosimilitud tiene q u e aadirse la condicin d e

minimizacin respecto el parmetro ju:
Captulo 6
(^M
estadsticos
MxM
MxN
./=1
./=i
MxN MxM
MxN
. / = ! /=i
./=i
pg. 125
La ltima e c u a c i n conlleva la conservacin del nmero d e cuentas

(igualdad entre el n m e r o de cuentas d e las proyecciones experimentales
con el n m e r o d e cuentas d e la proyeccin calculada a partir d e la imagen
estimada). De las primeras ecuaciones s e d e d u c e la siguiente relacin:
p . A
MxN
+ O "~ Z
MxM
/=!
' MxN
Elevando esta expresin a la potencia -sima y multiplicando por qi, la

recurrencia resultante es:
MxN
MxM
MxN
/=1
./=1
(ec 6-7)
En [LLA-a] se d e m u e s t r a q u e este factor tiende rpidamente a cero,

a u n q u e , para evitar inestabilidad en el desarrollo d e la recurrencia, puede
ser conveniente calcularlo en las primeras iteraciones. En lo sucesivo, se
emplearn
referirse
las siglas
a este
verosimilitud.
S S A {Successive
esquema
Substitution
d e reconstruccin
Algorthm)
d e las ecuaciones
para
de
Captulo 6
estadsticos
pg. 126
Existe otro algoritmo m u y similar derivado d e la ecuacin (ec 6-3). La

ecuacin (ec 6-4) se p u e d e expresar de la forma:
X = x + x-
( / ( x ) - l ) = x.(l + (/(x)-l))
y la recurrencia q u e lo resuelve es:
1+
(ec 6-8)
Este e s q u e m a , q u e es totalmente anlogo a (ec 6-5), p u e d e ser acelerado

mediante un parmetro d e sobrerelajacin:
x(*^') = x(*) l + n-
n>1
Aplicado a las e c u a c i o n e s d e verosimilitud [LEW-86]:
Pj-A,
l + n2-
/=1
(ec 6-9)
./=l
Esta variante d e l m t o d o d e mxima verosimilitud ser referenciada en

adelante c o n las siglas A A (Aditive Algorithm).
La expresin d e A A puede
ser concebida c o m o u n a expansin en serie d e Taylor d e S S A a primer

orden. L l a m a n d o a al trmino q u e est entre parntesis:
UxN
rj
Z-l
MxM
/=1
. A
' MxN
7=1
Captulo 6
estadsticos
pg. 127
y t e n i e n d o e n cuenta q u e la expansin lineal de a" alrededor d e a=^ es:
(ec6-10)
a" ^\ + n-{a-}
puede c o m p r o b a r s e q u e A A es la expansin lineal d e SSA.
Subconjuntos
Ordenados
En 1994, H u d s o n describi un e s q u e m a de aceleracin del algoritmo M L E M al q u e bautiz c o n el nombre del mtodo d e los subconjuntos
o r d e n a d o s ( M L E - O S : Ordered Subsets)
[HUD-94]. De esta referencia, se
ha obtenido toda la informacin expuesta en este punto.
La idea bsica d e este e s q u e m a d e aceleracin es hacer una particin del

conjunto d e bins d e las proyecciones en varios subconjuntos de igual
tamao
provistos d e un orden. Luego, en c a d a
iteracin se busca
s u c e s i v a m e n t e la estimacin de la imagen q u e maximiza la verosimilitud

de c a d a u n o d e estos subconjuntos d e datos. A s i , e n una sola iteracin
los valores d e los pxeles de la imagen son estimados tantas veces c o m o
subconjuntos s e utilicen. Utilizar este procedimiento casi no altera el
n m e r o total d e operaciones efectuadas en cada iteracin, mientras que
el ajuste d e las proyecciones a la imagen s e produce en un nmero
considerablemente inferior de iteraciones (aproximadamente del orden del
n m e r o d e subconjuntos utilizados).
El m o d o d e realizar la particin d e la proyeccin afecta al rendimiento del

algoritmo.
Para q u e ste s e a ptimo se ha d e procurar q u e cada
subconjunto contenga proyecciones lo m s dispersas posibles dentro del

rango d e ngulos d e proyeccin. Igualmente, ha d e buscarse la mxima
dispersin entre las proyecciones q u e forman
un subconjunto y las
proyecciones q u e forman el siguiente. Por ejemplo, si el nmero de

ngulos d e proyeccin es 60 y s e quieren utilizar 20 subconjuntos, el
Captulo 6
Mtodos de reconstruccin estadsticos
pg. 128
primero d e ellos lo f o r m a r n las proyecciones a O, 120 y 2 4 0 g r a d o s , el

s e g u n d o estar c o m p u e s t o por las proyecciones a 6 0 , 180 y 3 0 0 g r a d o s
(mxima distancia e n t r e ellos y m x i m a separacin c o n las proyecciones
del s u b c o n j u n t o anterior), el tercero a 3 0 , 150 y 2 7 0 grados, el cuarto a
90, 2 1 0 y 3 3 0 grados y as sucesivamente.
Desde su aparicin e n 1994, esta variante de M L E ha adquirido g r a n

difusin y ha sido objeto d e varios estudios [LI-94], [MAN-95], [KAM-96a],
[KAM-96b], [LIU-96], [BYR-97], [XIA-97], [YU-97] y [BYR-98].
6.1.4. Rango de validez de los mtodos estadsticos

La formulacin estadstica d e la reconstruccin en E C T pretenda, e n un
principio, a b o r d a r el p r o b l e m a del ruido e incorporarlo e n el proceso d e
reconstruccin, d e m a n e r a q u e quedara a u t o m t i c a m e n t e corregido. Sin
e m b a r g o , la experiencia muestra q u e M L - E M produce i m g e n e s ruidosas,
siendo la presencia d e ruido e n la imagen m s importante cuanto m a y o r
sea el ruido sobre las proyecciones [LIE-93]. El origen del ruido e s la
e s c a s a estadstica d e c u e n t a s e n cada pxel (incertidumbre o aleatoriedad
de la medida). Para clarificar esta argumentacin p u e d e plantearse, a
m o d o de ejemplo, el siguiente problema d e estimacin por M L - E M : S e
tiene una m o n e d a d e la q u e s e quiere averiguar cual e s la probabilidad d e
obtener cara o cruz al lanzarla al aire. La distribucin d e probabilidad q u e
describe este proceso aleatorio e s una distribucin binomial d e parmetro
p (p probabilidad d e q u e salga cara, ^-p la probabilidad d e q u e salga cruz;
p = 0 . 5 si la m o n e d a e s normal). El p r o b l e m a consiste en estimar el
parmetro p por el m t o d o de M L - E M a partir de una muestra estadstica
d e t e r m i n a d a . S i , por e j e m p l o , se lanza cuatro veces una m o n e d a normal y
se obtiene
3 caras y
1 cruz, se p u e d e
calcular fcilmente
q u e la
estimacin d e p, esto e s , el valor d e p q u e da una probabilidad m s

g r a n d e d e obtener 3 c a r a s y una cruz al lanzar la m o n e d a cuatro v e c e s ,
es /7=0.75. Este sencillo ejemplo ilustra q u e , a u n q u e el estimador d e M L -
Captulo 6
estadsticos
pg. 129
E M t e n g a a s e g u r a d a la convergencia e n probabilidad [WU-83], el hecho

d e disponer d e un n m e r o escaso d e cuentas hace q u e el valor del
parmetro obtenido no s e a necesariamente el d e s e a d o . La presencia de
ruido no s e soluciona con la formulacin estadstica del problema. Es por
ello q u e h a n sido desarrollados diferentes m e c a n i s m o s d e regularizacin
de la solucin [DEM-89] [FES-92] [BAR-94];
La penaiizacin d e la verosimilitud con funciones q u e sirvan

controlar
la
suavidad
de
la
imagen.
Se
trata
de
para
maximizar
s i m u l t n e a m e n t e la verosimilitud y la suavidad d e la imagen, mediante

algn c o m p r o m i s o entre a m b o s factores. Por ejemplo, el mtodo de
S i e v e s [SNY-85] o el descrito e n [SIL-90].
Mtodos
Bayesianos.
El uso d e funciones d e penaiizacin d e la
verosimilitud permite una interpretacin bayesiana de la reconstruccin

[LAN-87] [ARC-95] [KAO-98]. La estimacin bayesiana consiste en
encontrar la imagen m s probable dadas las proyecciones. Es decir,
se trata d e maximizar la probabilidad condicionada. Esta probabilidad
est relacionada con la verosimilitud mediante el teorema d e Bayes:
P(q\p) ^ P(p\q) P{q)
d o n d e P[q)
e s la distribucin d e probabilidad a priori d e la imagen.
U n a muestra d e las funciones d e densidad a priori utilizadas s o n la

entropa [MOH-88] [NU-90] [WAN-92], funciones d e Gibbs [GEM-84]
[GRE-90] [LAN-90] [FES-92].[HEB-92] [LAL-92] [HIG-97] y otras c o m o
[LEV-87]
[LIA-89]. T a m b i n
ha sido
propuesto
el diseo
de
funciones d e Gibbs a partir de la informacin anatmica conocida de

a n t e m a n o [GIN-93] [BOW-96].
El filtrado d e las proyecciones c o n un filtro paso-baja previamente a la

reconstruccin [LIA-91].
La truncacin del proceso iterativo [BER-86] [DEF-86] [FLE-90]. Debe

ser definido el n m e r o d e iteraciones en el q u e detener el algoritmo.
Captulo 6
En
[Mtodos de reconstruccin
estadsticos
[VEK-87], [LLA-89], [LLA-90] s o n propuestos
pg. 130
varios
mtodos
basados e n el c o n c e p t o d e factibilidad d e la imagen reconstruida e n

trminos d e test d e hiptesis. En [HEB-88] y [HEB-90] hay otros
m t o d o s propuestos b a s a d o s en test Chi-cuadrado. [COA-91] p r o p o n e
un criterio d e detencin d e los algoritmos M L - E M basado e n un
sistema d e validacin cruzada {CVR: Cross Validation
Ratio).
En este trabajo s e utiliza la truncacin c o m o mtodo d e regularizacin y

se estudia la aplicabilidad del criterio CVR e n SPECT.
Otro
punto
pendiente
de
clarificacin
e n el
uso d e
los
mtodos
estadsticos e s hasta q u punto se puede suponer q u e las distribuciones

de probabilidad q u e intervienen s o n conocidas. A u n q u e todas las frmulas
de este captulo s e h a n deducido con la hiptesis q u e las variables
aleatorias q u e describen tanto los pxeles d e la imagen c o m o los bins d e
la proyeccin eran del tipo Poisson, la atenuacin, la dispersin, la P S F y
el ruido electrnico
e n la deteccin
pueden
modificar
las leyes d e
distribucin d e probabilidad d e los bins d e las proyecciones. S a b e r si

estas variables q u e d a n suficientemente
bien descritas
mediante una
variable d e Poisson es u n a cuestin de difcil resolucin. La veracidad d e

esta suposicin ha d e a s u m i r s e c o m o hiptesis de trabajo.
6.1.5. La validacin cruzada como criterio de detencin del

proceso iterativo.
Uno d e los p r o b l e m a s d e los mtodos iterativos de reconstruccin y, e n
particular, del algoritmo M L - E M es determinar cuando d e b e detenerse el
proceso iterativo. Coakley [COA-91] propuso un procedimiento automtico
de interrupcin del proceso iterativo para el clculo d e los estimadores E M
utilizados e n el anlisis de la dispersin de neutrones,
denominado
validacin cruzada. La aplicabilidad de este mtodo ha sido estudiada

para la reconstruccin tomogrfica de imgenes de P E T mediante M L - E M
[LLA-1993], a u n q u e n o haba sido analizada para S P E C T .
Captulo 6
Para
utilizar
la
validacin
cruzada
estadsticos
se
requieren
pg. 131
dos
conjuntos
independientes d e proyecciones (A y B). La idea bsica d e la validacin

cruzada es reconstruir el primer conjunto de proyecciones A y utilizar el
s e g u n d o conjunto B para confrontar y validar la reconstruccin. Despus
de
cada
iteracin
se
evala
la
funcin
de
verosimilitud
de
las
proyecciones A y B respecto a la imagen reconstruida. La verosimilitud del

conjunto A - llamada verosimilitud directa- es una funcin creciente c o n el
n m e r o d e iteraciones, pues, si el proceso converge, el algoritmo c o n d u c e
al m x i m o d e la verosimilitud (imagen q u e maximiza la probabilidad de
obtener las proyecciones). En cambio, la verosimilitud d e la imagen
reconstruida d e A respecto las proyecciones B - verosimilitud cruzada -,
de a c u e r d o c o n [LLA-1993], crece inicialmente, debido a q u e la parte d e
seal d e las proyecciones es c o m n a los dos conjuntos A y B, pero, tras
alcanzar
un valor
mximo,
decrece, cuando
el proceso
empieza
reconstruir la parte de ruido q u e es diferente e n a m b o s conjuntos. El

proceso d e b e detenerse en el punto en que la verosimilitud cruzada es
m x i m a . Para calcular el m x i m o d e la verosimilitud cruzada, se evala a
cada iteracin el cociente d e incrementos d e las verosimilitudes cruzada y
directa.
^ ^
DL{k)-DL{k-l)
d o n d e DL y CL s o n la verosimilitud directa y cruzada respectivamente (ver

3.4.3) y k hace referencia al nmero de iteracin. CVR hace las funciones
de derivada d e la verosimilitud
cruzada en funcin del n m e r o
de
iteraciones, ya q u e la verosimilitud directa es una funcin creciente c o n el

n m e r o d e iteraciones. El mximo d e la verosimilitud cruzada se alcanza
en el cero de CVR.
Captulo 6
estadsticos
pg. 132
A la hora d e utilizar CVR c o m o criterio de interrupcin del proceso iterativo

se han d e tener en cuenta las siguientes consideraciones:
Los dos conjuntos d e proyecciones han d e ser totalmente independientes.
Esto s e consigue c o n una doble adquisicin, ya sea t e m p o r a l m e n t e o
mediante una g a m m a c m a r a de doble cabezal.
Una
vez
conjuntos
reconstruido
de
el
primer
conjunto
proyecciones A y B
de
intercambian
proyecciones,
sus
papeles:
los
se
reconstruye el conjunto B t o m a n d o c o m o referente A . S e a s u m e q u e la

mejor reconstruccin
posible es la s u m a de las
reconstrucciones
"ptimas" d e A y B.
6.1.6. Algoritmo MLE.

A continuacin se describe el algoritmo implementado. Esta descripcin
se hace c o n j u n t a m e n t e para los dos algoritmos M L E - E M y M L E - O S . La
variable k indica el n m e r o de iteracin, la variable j el ndice d e los
subconjuntos de proyecciones, n es el parmetro de aceleracin y OS se
refiere al n m e r o total d e subconjuntos utilizados. El resto de variables
tiene el m i s m o significado q u e e n los captulos anteriores. Para obtener el
primer e s q u e m a basta c o n suponer 0S=^.
Para el s e g u n d o , es suficiente
con hacer la asignacin = 1 . El algoritmo consta de los siguientes pasos:

I. Inicializacin.
a) C o m o estimacin inicial se t o m a la imagen de m x i m a entropa o
m n i m a informacin, es decir una imagen con un valor uniforme
distinto de cero. El valor inicial de c a d a pixel de la imagen es el valor
correspondiente a la equidistribucin del nmero de cuentas de las
proyecciones sobre la imagen, a u n q u e debido a la atenuacin no
haya el m i s m o n m e r o de emisiones q u e de detecciones.
k =0
MxN
7=1
Captulo 6
(i)(o) =
<1
pg. 133
estadsticos
M-M
b) S e calculan los ndices de los bins que c o m p o n e n cada subconjunto

o r d e n a d o Sj.
Iteraciones:
k =k +\
7=0
a) Para cada subconjunto de proyecciones:
- S e calcula la proyeccin de la imagen actual sobre el conjunto de
bins correspondiente:
MxM
S e actualiza la imagen s e g n la expresin S S A o A A (adaptando

para
los subconjuntos
ordenados
la (ec 6-7)
la (ec
6-9)
respectivamente). El ndice / recorre todos los pxeles de la

imagen:
P'
-A
(k)(j)
^li
^
MxN
para SSA, y:
para A A .
^/
_i
Captulo 6
estadsticos
pg. 134
b) Una v e z recorrido todos los subconjuntos de bins d e la proyeccin,

s e considera q u e s e ha efectuado una iteracin.
- Si es preciso, s e corrige el n m e r o d e cuentas d e la i m a g e n . Para
ello, s e calculan el nmero de cuentas nc' d e las proyecciones d e
esta nueva i m a g e n y s e multiplican los pxeles de la imagen por el
factor
A l ser el proyector un operador lineal, se
puede
nc'
a s e g u r a r que la imagen corregida por este factor tiene
proyecciones
con
el
mismo
nmero
de
cuentas
unas
que
las
proyecciones experimentales.
- Si se utiliza el e s q u e m a aditivo A A , puede que algn pxel adquiera
un valor negativo. En este caso, s e le asigna el valor cero.
- S e g r a b a la i m a g e n para su posterior evaluacin.
- Si s e requiere, s e calcula CVR de la imagen actualizada respecto
un s e g u n d o conjunto de proyecciones.
c) Si el n m e r o de iteraciones preestablecido no s e ha cumplido o el
criterio d e detencin del proceso iterativo no se verifica, se realiza la
asignacin y se repite este proceso.
6.2. Estudio de la CVR

En primer lugar, se ha realizado el anlisis de CVR
como criterio de
detencin del proceso iterativo e n i m g e n e s de S P E C T reconstruidas con

el algoritmo M L E . Se ha evaluado la calidad de la imagen obtenida e n la
iteracin q u e indica el criterio CVR para un conjunto d e reconstrucciones.
De esta m a n e r a , se ha pretendido precisar la utilidad y el m a r g e n de
confianza de este m e c a n i s m o de detencin del proceso iterativo
reconstruccin.
de
Captulo 6
estadsticos
pg. 135
6.2.1. Pruebas realizadas

Para
realizar
este
estudio,
han sido
generados
numricamente
conjuntos d e proyecciones del modelo d e Jaszczak de 100 Kc, 2 0 0 Kc y

800 Kc respectivamente, cada uno con 110 realizaciones diferentes de
ruido y los m i s m o s parmetros geomtricos q u e el modelo real. Estas
proyecciones incluyen la simulacin d e atenuacin, P S F , dispersin y
ruido, g e n e r a d a s s e g n se indica e n el captulo 3. Las proyecciones han
sido corregidas d e dispersin por deconvolucin c o n la S R F . Para poder
utilizar
CVR,
las proyecciones
correspondientes
a las 10
primeras
realizaciones d e ruido han sido reconstruidas y s o b r e cada reconstruccin

ha
sido
evaluada
correspondientes
la
verosimilitud
las
100
cruzada
realizaciones
con
de
las
ruido
proyecciones
restantes.
La
reconstruccin s e ha llevado a c a b o incluyendo la atenuacin y la P S F en

la matriz d e transicin. Las imgenes reconstruidas han sido evaluadas
con las figuras d e mrito: CC, CON, SNR y CVR definidas en el captulo 3.
A l igual q u e e n los estudios del captulo 4 y 5, CON y SNR s e han
calculado sobre el crculo 1 del modelo (ver 3.2.9).
6.2.2. Resultados obtenidos

En la Figura 6-1 s e muestra la evolucin d e los valores de las F D M d e las
reconstrucciones e n funcin del n m e r o de iteraciones, promediado sobre
las
10
realizaciones
comportamiento
de
anlogo
ruido.
al
En
primer
observado
en
lugar,
los
se
observa
mtodos
estudiados e n anteriores captulos: mientras CC y SNRl
un
iterativos
alcanzan un
m x i m o tras el q u e decrecen, CONl aumenta continuamente. Otro hecho

destacable e s q u e la evolucin d e las F D M e s m s lenta cuanto mayor es
el n m e r o d e c u e n t a s d e las proyecciones, e s decir, cuanto m e n o r es el
ruido, m e n o s para CONl,
q u e tiene una evolucin independiente del
n m e r o d e c u e n t a s de las proyecciones. Esto indica q u e al calcular

valores medios d e actividad en los crculos c o n un nmero grande d e
Captulo 6
estadsticos
pg. 136
pxeles, se c o m p e n s a n entre s las fluctuaciones del valor debidas el

ruido.
En la T a b l a 6 - 1 , se muestra la d e p e n d e n c i a del criterio CVR
con la
proyeccin particular d e referencia. En el primer cuadro, se indica, para

diferentes niveles de ruido, el n m e r o d e iteraciones m x i m o , mnimo y
promedio indicado por el criterio CVR
para 100 diferentes
segundas
proyecciones. S e observa que la dispersin del n m e r o de iteraciones

aumenta c o n el n m e r o d e cuentas en las proyecciones, de acuerdo c o n
la mayor lentitud e n la evolucin del proceso de reconstruccin o b s e r v a d a
en la Figura 6-1 para dichas proyecciones. En cada caso, los valores
individuales
promedio
son
muy
parecidos.
En
los
tres
cuadros
siguientes, s e m u e s t r a n respectivamente los valores d e tres F D M e n la

iteracin m n i m a , p r o m e d i o y m x i m a indicada por CVR
segundas
proyecciones.
con las
Para los valores del n m e r o de
100
iteraciones
extremos, la variacin d e estas tres F D M es poco significativa ya q u e la

mayora de resultados estn dentro de un intervalo e n q u e las variaciones
son mnimas. En los valores extremos, se tienen i m g e n e s con mejor CC
(menos ruidosas para un n m e r o de iteraciones inferior) o con mejor CON
(ms contrastadas para un nmero de iteraciones mayor). En la Figura 62 se muestra toda la evolucin de la imagen con el n m e r o de iteraciones,
estando a m p l i a d a s las imgenes correspondientes al nmero m n i m o ,
promedio y m x i m o d e iteraciones. En esta ampliacin se p o n e
de
manifiesto las diferencias entre la primera y la ltima imagen vlida s e g n

CVR. Mientras e n la iteracin 34 la imagen es ms s u a v e , en la iteracin
56 est m s contrastada (los crculos negros estn mejor delimitados y su
valor es inferior). Sin e m b a r g o , a pesar de estas diferencias
ambas
imgenes s o n aceptables para i m g e n e s d e propsito general. La imagen

obtenida e n la iteracin promedio es una situacin intermedia entre m a y o r
suavidad y m a y o r contraste.
Captulo 6
pg. 137
estadsticos
Variacin de CC con iteraciones
10
20
30
40
50
60
70
60
70
60
70
Variacin de CONI con iteraciones
10
20
30
40
50
Variacin de SNRl con iteraciones
10
20
30
40
50
Figura 6 - 1 . Variacin de las FDM con el mjmero de iteraciones para los modelos de
lOOKc (lnea delgada), 200Kc (lnea gruesa) y 800Kc (lnea de puntos).
Captulo 6
Iteraciones segn CVR

nmero de iteraciones mnimo
nmero de iteraciones promedio
nmero de iteraciones mximo
desviacin estndar
Valores de CC
Valores de SNRl
Valores de CONI
pg. 138
estadsticos
100
a
26
31.8
41
2.9
Kc
b
24.5
31.1
39.8
3.0
200
a
34
45.2
56
4.9
Kc
b
34.9
46.2
61.3
5.2
800
a
65
100.5
144
13.3
Kc
b
69.1
104.3
143.7
15.3
100
a
0.930
0.923
0.911
Kc
b
0.931
0.924
0.914
200
a
0.944
0.939
0.932
Kc
b
0.943
0.937
0.928
800
a
0.957
0.951
0.942
Kc
b
0.958
0.953
0.946
100
a
2.75
2.60
2.41
Kc
b
2.79
2.64
2.45
200
a
3.16
2.98
2.81
Kc
b
3.23
3.04
2.81
800
a
3.93
3.64
3.31
Kc
b
3.99
3.72
3.43
100
a
0.63
0.66
0.70
Kc
b
0.62
0.65
0.69
200
a
0.64
0.67
0.69
Kc
b
0.68
0.72
0.75
800
a
0.77
0.81
0.84
Kc
b
0.78
0.82
0.84
Tabla 6-1. En el primer cuadro se muestra, para el modelo con 100 Kc, 200 Kc y 800 Kc,
el nmero de iteraciones mnimo, promedio y mximo que indica el criterio CVR para una
realizacin determinada de ruido (columnas a) y para el promedio de 10 realizaciones de
ruido (columnas b) al contrastar la reconstruccin con 100 segundas proyecciones
diferentes. En las restantes tablas se muestra los valores de tres FDIVl para el nmero de
iteraciones mnimo, promedio y mximo que indica la primera tabla.
Captulo 6
^ ^ ^
^ ^ ^ f c
P l ^ ^ ^ ^ w
^SM^^^W^^M
W ^ ^ ^ w W
*^^^mf^-
i^pif^y
pg. 139
estadsticos
i^^W
WT^^
j i ^ ^ ^
^^^fc
^^^m
I ^ J f
^^^tei
^^^^m ^^^m
^
A
m
%.^m9- t^^^m ^^^m %^^^m

^
%}^'''
^Z'^-.y
^
x i . - ^
^ ^ ^ 8 ,
'^zjijf
A
^
# ##
j ^ ^ ^
..^^fet
^ . ^ ' ^
S^^^^^^^
C
^
^
'^
^
^
^
^
w
^"^^^^^^^
%,*^^^
i ^ ^ s l .
^ ^ ^
w w w
w
^^^w
f^^W'
^ o '
iteracin 34
^ . t * '
rf^fek
iteracin 45
^C
'v
iteracin 56
Figura 6-2. Evolucin de la reconstruccin en funcin del nmero de iteraciones

(dispuesto por filas) para una realizacin de ruido determinada (200Kc). Las tres
imgenes separadas y ampliadas corresponden al nmero mnimo (34), promedio (45) y
mximo (56) de iteraciones indicadas por CVR al cruzarse la reconstruccin con 100
segundas proyecciones distintas
Captulo 6
estadsticos
pg. 140
6.2.3. Discusin de los resultados

El primer resultado o b s e r v a d o es que, al igual que en A R T , las diferentes
F D M tienen un c o m p o r t a m i e n t o dispar. Mientras CON e s creciente, tanto
CC c o m o SNR pasan por un m x i m o tras el q u e e m p i e z a n a decrecer. No
es posible, por tanto, mejorar dichas F D M simultneamente. A u n q u e las
cualidades a optimizar d e la imagen d e p e n d e n de s u utilidad, para un
propsito general d e b e encontrarse un punto de c o m p r o m i s o d o n d e sus
valores
estn
equilibrados.
Los
resultados
observados
en
CVR=0
muestran q u e este criterio interrumpe el proceso iterativo en un punto

d o n d e tanto CC y SNR c o m o CON estn prximos a su valores ptimos.
Mientras las dos primeras F D M ya han sobrepasado la iteracin en la q u e
tienen su valor m x i m o , COiV todava no lo alcanzado. Un menor n m e r o
de iteraciones producira mejores valores de CC y SNR
(que reflejan
m e n o s ruido sobre la imagen) y un contraste peor. Si, por el contrario, se

sobrepasa el n m e r o d e iteraciones indicado por CVR,
CON a u m e n t a a
costa de la disminucin d e CC y SNR (imgenes ms ruidosas).
En lo referente a la variacin respecto el nmero de cuentas sobre las

proyecciones, s e observa q u e cuanto m e n o r es la relacin seal-ruido en
las proyecciones, CVR
detiene el proceso en un nmero inferior
de
iteraciones. La justificacin de esta relacin viene d a d a porque cuanto

m e n o r es la presencia de ruido, mayor p u e d e ser el ajuste de la imagen
reconstruida con las proyecciones y, por tanto, el proceso admite un
mayor n m e r o d e iteraciones. Recprocamente, si la presencia de ruido es
importante, la mejor i m a g e n no debe ajustarse m u c h o a las proyecciones
para q u e no s e produzca el ajuste de la c o m p o n e n t e d e ruido, y, por
consiguiente, el n m e r o de iteraciones d e b e ser menor.
Del estudio en la d e p e n d e n c i a de la CVR
respecto la proyeccin de
referencia, s e c o m p r u e b a que, si bien existe dependencia de la iteracin

que indica CVR con la proyeccin particular escogida, e n todos los casos
Captulo 6
la
reconstruccin
obtenida
con
el
estadsticos
mtodo
pg. 141
es
CVR
aceptable
para
i m g e n e s de propsito general. S e g n se muestra en la Tabla 6-1 y en la

Figura 6-2, las variaciones d e las F D M entre los nmeros mnimos y
m x i m o de iteraciones obtenidas con este criterio al contrastar con 100
s e g u n d a s proyecciones diferentes son poco significativas. No obstante,
d e b e t e n e r s e en cuenta dicha dependencia al utilizar este mtodo. Si, en
funcin del diagnstico a realizar, s e desean imgenes poco ruidosas o
muy contrastadas, no es recomendable emplear ciegamente este criterio,
pues
CVR
no
garantiza
la
minimizacin
maximizacin
de
estos
p a r m e t r o s . En este caso, d e b e hacerse un seguimiento de la evolucin

d e la i m a g e n y determinar manualmente el punto ptimo de interrupcin
del proceso iterativo.
6.3. Estudio del parmetro de aceleracin

El objetivo de este estudio es comprobar la relacin entre los algoritmos
S S A y A A , c o m p r o b a r el efecto del factor de aceleracin en M L E y
corroborar la utilidad de CVR c o m o mtodo de interrupcin del proceso
iterativo en i m g e n e s de S P E C T al usar e s q u e m a s acelerados.

Para realizar este estudio se han utilizado las m i s m a s proyecciones reales
utilizadas
en
el
apartado
anterior.
Tambin
han
sido
generadas
n u m r i c a m e n t e 4 conjuntos de proyecciones de 100 Kc, 200 Kc, 4 0 0 Kc y

800 Kc respectivamente, cada uno d e 2 0 realizaciones de ruido diferentes
y los mismos parmetros geomtricos que el modelo real. En estas
proyecciones
se
han
incluido
la
simulacin
de
atenuacin,
PSF,
dispersin y ruido. Las proyecciones han sido corregidas de dispersin

por deconvolucin d e la S R F correspondiente. Para poder utilizar CVR, las
10 primeras realizaciones han sido reconstruidas, mientras q u e las 10
restantes se han utilizado como referencia, tanto en el caso real c o m o en
Captulo 6
estadsticos
pg. 142
el simulado. H a n sido p r o b a d o s 4 factores d e aceleracin 1, 1.5, 2 y 2.5

para todas las proyecciones disponibles, c o n el algoritmo S S A y c o n A A .
A l g n valor del factor d e aceleracin m a y o r (3, 3.5 y 4 ) tambin ha sido
probado e n alguna d e las proyecciones. L a s imgenes reconstruidas han
sido evaluadas c o n las figuras d e mrito: CC, CON, SNR y CVR. El estudio
de
la primera
de estas
F D M permite
aceleracin. Las F D M CON)/SNR
la evaluacin
del factor
de
s e han evaluado s o b r e los crculos 2 y 5
del modelo (ver 3.2.9), el primero e n representacin de los crculos

mayores y el s e g u n d o d e los menores, para poder d e manifiesto si existe
d e p e n d e n c i a d e la aceleracin obtenida e n la evolucin d e estas F D M c o n
el t a m a o del circulo.

A no ser q u e s e especifique lo contrario, los resultados referidos e n este
punto c o r r e s p o n d e n a la reconstruccin d e las proyecciones g e n e r a d a s
n u m r i c a m e n t e d e 2 0 0 K c . En la Figura 6-3, s e muestra la dependencia de
las diferentes F D M respecto el nmero d e iteraciones para S S A y =1
(lnea rayas cortas), = 1 . 5 (lnea punto-raya), n=2 (lnea continua) y =2.5
(lnea de puntos) y para A A y n=2 (tringulos). En c a d a caso, la lnea
corresponde al p r o m e d i o d e las 10 realizaciones d e ruido. C o n valores
superiores
del factor d e aceleracin
s e obtienen
imgenes
que se
deterioran por inestabilidad de la solucin a las p o c a s iteraciones. Esta

degeneracin del proceso iterativo para factores de aceleracin grandes
se refleja y a para n=2.5 e n el comportamiento oscilante de CVR. Valores
superiores
del parmetro
d e aceleracin
han producido
una fuerte
inestabilidad e n el p r o c e s o iterativo d e reconstruccin. En cuanto al

comportamiento
respecto
el parmetro
d e aceleracin,
para
poder
comparar cuantitativamente los valores d e las F D M conseguidos, la Tabla

6-2 muestra para CC y SNR, el valor m x i m o y el n m e r o de iteraciones
que precisa para alcanzarlo. Dado q u e el contraste e s una funcin
creciente, el valor m x i m o del contraste s e obtiene siempre en la ltima
Captulo 6
pg. 143
estadsticos
iteracin, c o m o s e v e en la Figura 6-3. Los valores m x i m o s d e
CON
obtenidos para los diferentes factores de aceleracin no son directamente

c o m p a r a b l e s , puesto el nmero de iteraciones realizado se ha limitado al
m i s m o valor en t o d o s los casos y no es equivalente 64 iteraciones para
los diferentes factores de aceleracin.
1.2
'
1 '
1 '
1 ' 1
'
1 ' 1
o:
>
% \
0.4 -
-0.4o
10
20
30
40
50
eo
10
'
'
10
20
30
'
40
'
'
'
'
40
50
60
50
50
60
60
10
nmero de iteradones
'
30
nmero de iteradcnes
1.0
20
20
40
nmero de itenadcnes
1'
'1
C
M
Z ->
W
2
1
1/
/
. 1, 1 .
10
20
30
40
50
60
10
20
30
40
50
60
O
nmero de iteradones
nmero de iteradcnes
Figura 6-3. Estudio simulado con 200Kc. Representacin de CVR y otras FDM respecto
el nmero de iteraciones para SSA y =1 (rayas), =1.5 (punto-raya), =2 (continua) y
=2.5 (puntos). Tambin estn representados ios valores de AA y =2 (tringulosrepresentado cada cinco iteraciones).
Captulo 6
pg. 144
estadsticos
En v e z d e mostrar el valor m x i m o d e CON y las iteraciones, la T a b l a 6-2

se muestra, para los diferentes factores d e aceleracin, el n m e r o d e
iteraciones preciso para tener el valor d e CON ms parecido al obtenido
para n=^ y 6 4 iteraciones. T a m b i n se muestra el n m e r o de iteraciones
en los q u e CVR c a m b i a d e signo (paso por el cero). S e observa una gran
coincidencia d e los resultados de S S A y A A para n=2. Salvo una ligera
discrepancia e n las primeras iteraciones las diferencias entre los valores
de las F D M s o n despreciables. Se advierte, tanto e n la Figura 6-3 c o m o
en
la
Tabla
6-2,
que
los
valores
mximos
de
CC
SNR
son
a p r o x i m a d a m e n t e los m i s m o s para los distintos factores de aceleracin y

ambos
algoritmos
de
reconstruccin
mientras
que
el
nmero
de
iteraciones requerido e n cada caso es inversamente proporcional al valor

de n.
CC
Factor
CON2
C0N5
SNR2
SNR5
CVR=0
Valor
Ite
Valor
Ite
Valor
Ite
Valor
Ite
Valor
Ite
Ite
0.947
21
0.720
64
0.345
64
3.181
23
1.722
38
47
1.5
0.947
14
0.719
42
0.344
42
3.177
15
1.724
25
32
0.947
10
0.721
32
0.346
32
3.173
12
1.724
19
24
2.5
0.947
0.720
25
0.345
25
3.168
10
1.736
15
17
1.5
0.948
14
0.721
43
0.346
43
3.207
15
1.732
27
32
0.948
11
0.720
32
0.345
32
3.230
11
1.742
19
26
2.5
0.948
0.718
25
0.343
25
3.253
10
1.758
15
23
MLE-EM
1
SSA
AA
Tabla 6-2. Valores de las FDM y iteraciones necesarias para alcanzarlos para diferentes
factores de aceleracin. El mtodo sin aceleracin MLE-EM coincide con SSA y AA y
=1. De CC, SNR2 y SNR5 se muestran los valores mximos. De C0N2 y C0N5 los
valores ms prximos al obtenido para n=^ y 64 iteraciones. En la ltima columna est
indicado el nmero de iteraciones necesarios para que CVR sea negativo.
Captulo 6
En la Figura 6-4, est representado
pg. 145
estadsticos
CC
en funcin del n m e r o
de
iteraciones para n=1 (lnea rayas cortas), para S S A n=2 (lnea continua) y
para
AA
(tringulos).
n=2
El
primer
conjunto
de
puntos
est
representado respecto el eje-x inferior d e la grfica (1-64 iteraciones) y los

otros d o s respecto el superior (1-32 iteraciones). D e esta m a n e r a , se pone
d e manifiesto q u e los resultados obtenidos para n=2 coinciden (excepto
p e q u e a s diferencias en las primeras iteraciones) con los obtenidos para
n=^ c o n el doble d e iteraciones.
10
1.00
15
20
25
30
I ' I ' I
35
Repara 0=2
0.95 -
0.90 -
0,85
êparan=1
0.80
10
20
30
40
50
60
70
Figura 6-4. CC respecto el nmero de iteraciones. Para =2 SSA (lnea continua) y AA

(tringulos- representados de 5 en 5 iteraciones) el nmero de iteraciones corresponde
al eje x superior mientras que para =1 (rayas) el eje de las x es el inferior.
Todos
estos
parmetro
de
resultados
son
sobrerelajacin
consistentes
acta
con
solamente
la
hiptesis
como
un
que
factor
el
de
aceleracin, c o n una aceleracin inversamente proporcional a su valor,

sin modificar la calidad d e las i m g e n e s reconstruidas. Con el propsito
d e a c a b a r d e confirmar esta premisa, se ha calculado mediante el mtodo
simplex [NEL-65] el factor de escala c o n que se deba contraer el eje x d e
las grficas obtenidas de las diferentes FDM y factores d e aceleracin d e
1.5, 2 y 2.5 para q u e coincidieran c o n las correspondientes al algoritmo
sin aceleracin {n=^). Los promedios sobre las F D M (calculadas e n todos
Captulo 6
l\/ltodos de reconstruccin
estadsticos
pg. 146
los crculos) d e los factores d e escala del eje d e las iteraciones q u e

producen un mayor ajuste d e las grficas respecto las correspondientes a
n=^ se m u e s t r a n en la Tabla 6-3. Estos resultados estn de acuerdo c o n
la hiptesis q u e se pretenda verificar.
1.5
2.5
SSA
1.506
2.005
2.440
AA
1.464
1.906
2.277
Tabla 6-3. Valor promedio sobre todas las FDM calculadas del factor de contraccin que
debe experimentar el eje de las iteraciones para que la grfica tenga un mximo ajuste
con la correspondiente a n=^.
La Figura 6-5 ilustra la dependencia d e las F D M c o n el n m e r o d e

cuentas d e las proyecciones (o, equivalentemente, c o n el ruido sobre las
proyecciones). Las curvas dibujadas corresponden a S S A y n=2 y 100Kc
(puntos), 2 0 0 K c
(continua), 4 0 0 K c (punto-raya) y 8 0 0 K c (rayas). S e
observa q u e el decrecimiento de CC y SNR tras el m x i m o es m s rpido

cuanto m e n o r es el n m e r o de cuentas. Esto refleja q u e a m b a s F D M s o n
muy sensibles a la presencia d e ruido e n la imagen reconstruida. N o
ocurre lo m i s m o con CON. Las curvas relativas a los diferentes n m e r o s
de
cuentas
e n las proyecciones
estn
prcticamente
superpuestas,
nicamente se o b s e r v a n pequeas discrepancias e n C0N5
100Kc
d o n d e los valores d e la curva s o n ligeramente inferiores. T a m b i n se

observa q u e cuanto m a y o r es el nmero d e cuentas d e las proyecciones,
mayor es el n m e r o d e iteraciones para las q u e CVR c a m b i a d e signo. La
d e p e n d e n c i a e s lineal. Si se ajusta mediante una regresin lineal el
n m e r o d e iteraciones definido por CVR s e obtiene q u e :
iteraciones = 0.0459 cuentas +12.78
con un coeficiente de correlacin de
= 0.9935.
Captulo 6
En
la
Figura
6-6
se
comparan
los
pg. 147
estadsticos
resultados
obtenidos
de
las
proyecciones g e n e r a d a s numricamente (lnea continua) con los d e las

proyecciones del modelo fsico (puntos) ambas reconstruidas con S S A y
n=2.
S e contempla una buena concordancia cualitativa de los resultados
de
ambos
modelos,
aunque
cuantitativamente
existan
pequeas
diferencias.
1.2
'
0.
>
1 '
1 '
1 '
' 1 '
\ \ \
\ \ \
0.0
.. 1 r~-~t
. 1 , 1
o
10
20
30
50
60
10
20
30
40
50
60
10
10
20
30
40
50
60
10
20
30
40
50
4 -
10
-J
20
L
30
_l I L
40
50
60
10
20
30
40
50
60
Figura 6-5. Estudios simulados. CVR y otras FDM en funcin del nijmero de iteraciones
para SSA y n=2 y diferentes ntjmeros de cuentas en las proyecciones: 100Kc (puntos),
200Kc (lnea continua), 400Kc (punto-raya) y 800Kc (rayas).
Captulo 6
Modelo real
Modelo numrico
CON2 C 0 N 5
SNR2 SNR5
Ite
CC
C0N2
C 0 N 5 SNR2
SNR5
0.946
0.530
0.201
3.131
1.514
11
0.939
0.566
0.236
2.838
1.498
0.932
0.700
0.320
2.848
1.678
22
0.930
0.678
0.331
2.714
1.670
0.443
1.974
1.397
Ite
CC
10
27
64
pg. 148
estadsticos
0.791
0.883
0.414
2.111
1.399
64
0.875
0.765
Tabla 6-4. Valores de las FDM obtenidas en la reconstruccin del modelo real y
numrico (200Kc) con SSA y n=2. En la primera fila de resultados se muestran los
valores de las FDM en la iteracin en el mximo de CC. La segunda est formada por los
valores de las FDM correspondientes a la iteracin en la que CVR cruza el cero. La
ltima fila presenta los valores de las FDM en la ltima iteracin realizada (64). Al ser
CON una funcin creciente, esta ltima imagen es para la cual el contraste es mximo.
10
20
30
40
50
60
10
10
20
30
40
20
30
40
50
50
10
20
30
40
50
o:
o:
z
co
10
20
30
40
50
60
10
20
30
40
60
50
Figura 6-6. CVR y otras FDM respecto el nmero de iteraciones para SSA y n=2 de los
modelos real (puntos) y simulado (lnea continua) con 200Kc.
!\Atodos de reconstruccin
Captulo 6
pg. 149
estadsticos
En la tabla 6-4 se c o m p a r a n los resultados obtenidos con el modelo real y

simulado ( a m b o s con 200 Kc) para el e s q u e m a S S A con n=2,
m x i m o d e CC, e n CVR=0 y en el mximo de CON.
en el
Se observa q u e el
criterio CVR produce imgenes con las F D M c o m p e n s a d a s . Respecto a la

c o m p a r a c i n entre el modelo real y el simulado, se notan
pequeas
diferencias.
resultados
Las
FDM
dependientes
del
ruido
alcanzan
ligeramente superiores en el estudio simulado, mientras que CON obtiene

mejores valores en el modelo
real. Estas discrepancias
se
pueden
justificar con las aproximaciones realizadas en la simulacin.
^ ^ ^ ^
Figura 6-7. Imgenes reconstruidas del modelo numrico (200Kc) y real con SSA y n=2 a
las iteraciones indicadas en la Tabla 6-4. En la fila superior se muestra correlativamente
el modelo numrico a las 10, 27 y 64 iteraciones. Anlogamente, en la inferior, se
presenta la reconstruccin del modelo real a las 11, 22 y 64 iteraciones respectivamente.
La Figura 6-7 muestra las imgenes reconstruidas con SSA y n=2 para las
proyecciones del modelo numrico (fila superior) y del modelo real (fila
inferior). En cada serie, la primera imagen corresponde a la iteracin
d o n d e CC alcanza su valor m x i m o . La imagen central es la obtenida
e m p l e a n d o CVR c o m o criterio de detencin del proceso iterativo (iteracin
en la q u e CVR cruza el cero). La ltima es la imagen obtenida en la ltima
Captulo 6
iteracin
realizada
(iteracin
64). En
estadsticos
ambas
pg. 150
series
se
observa
progresivo ajuste del ruido al aumentar las iteraciones y una
un
mayor
contraste de los circuios q u e se traduce en una mejor definicin d e los

bordes y un valor medio m s prximo a cero.

La Figura 6-3, Figura 6-4 y Tabla 6-2 muestran que los resultados de S S A
y A A son
aceleracin.
muy
parecidos
para todos
Se
observan
pequeas
los valores del parmetro

diferencias
localizadas
en
de
las
primeras iteraciones. Esto indica, por una parte, q u e el comportamiento

de a m b o s
algoritmos e s muy similar.
Por otra parte, las
pequeas
diferencias o b s e r v a d a s en la Figura 6-4 pueden ser explicadas por el

hecho q u e la aproximacin lineal de S S A puede no ser adecuada en las
primeras iteraciones por estar el trmino a en (ec 6-10) alejado de 1. No
obstante, d a d a la rpida convergencia de a m b a s lneas, puede concluirse
q u e la e x p a n s i n lineal d e S S A es vlida para todo el proceso.
En lo q u e respecta al factor de aceleracin, los resultados indican q u e los

valores m e n o r e s de 2.5 no afectan la estabilidad del algoritmo. De la
Tabla 6-3 se infiere q u e los valores de las F D M indican que el factor de
aceleracin
incrementa
la
rapidez
del
mtodo
en
un
orden
a p r o x i m a d a m e n t e igual a su valor (ms parecido c u a n t o m e n o r e s su

valor).
Por otra parte, el criterio CVR de detencin del proceso iterativo tiene un
c o m p o r t a m i e n t o correcto al utilizarse un parmetro d e aceleracin inferior
a 2.5. A l igual q u e con M L E sin aceleracin, CVR interrumpe el proceso
iterativo en un punto e n que los valores d e CC, SNR y CON estn bien
equilibrados. La buena concordancia entre los resultados numricos con
los reales sugiere q u e estos resultados son extrapolables a estudios
reales.
Captulo 6
estadsticos
Valores mayores de 2 del parmetro pueden
pg. 151
hacer q u e el
proceso
iterativo llegue a ser inestable y, por tanto, no convergente, a u n q u e en

[TAN-86] s e indique que valores entre 2 y 4 producen buenos resultados.
6.4. Subconjuntos ordenados.

El objetivo de este estudio es evaluar el comportamiento del algoritmo
M L E - O S para i m g e n e s de S P E C T y comprobar la aplicabilidad de CVR
c o m o criterio de detencin del proceso iterativo cuando es usado este
algoritmo. En este apartado, dado q u e puntualmente algunas pruebas ha
presentado un comportamiento anmalo de DL,
dejando de ser
una
funcin estrictamente creciente, en vez de emplear la variable CVR, se

han representado DL y CL por separado. El criterio CVR =0 equivale a
maximizar CL.

Para realizar este estudio han sido utilizadas las mismas proyecciones,
tanto
las reales
como
las simuladas, que e n
el estudio
MLE
con
parmetro de aceleracin (ver 6.3.1). Dada la naturaleza de este mtodo

de aceleracin y sus buenos resultados, s e
ha credo
conveniente
probario tambin para una imagen con mapa d e atenuacin no uniforme.

Por este motivo, han sido g e n e r a d a s numricamente un conjunto de
proyecciones
del
modelo
de
trax
con
los
siguientes
parmetros
(anlogos a los d e un estudio clnico de trax):

Colimador A de agujeros paralelos (ver 3.1)
60 proyecciones equiespaciadas en 360.
6 4 bins d e 0.566 c m en las proyecciones.
Radio de giro de la g a m m a c m a r a de 20.4 c m .
50Kc, lOOKc, 2 0 0 Kc, 400Kc, SOOKc y 1600Kc, 20 realizaciones de
ruido diferentes en cada caso.
T o d o s las proyecciones han sido reconstruidas utilizando 1 , 2 , 3 , 4, 5, 6,
10, 12, 15, 20, 30 y 60 subconjuntos ordenados. A n l o g a m e n t e a las
Captulo 6
estadsticos
pg. 152
pruebas realizadas e n el estudio anterior, las imgenes reconstruidas han

sido e v a l u a d a s con las figuras de mrito: CC, CON, SNR (sobre los crculos
2 y 5 del m o d e l o -ver 3.2.9) y CVR.

En la Figura
6-8,
las cuatro
primeras
grficas
corresponden
los
resultados obtenidos para el modelo de Jaszczak simulado de 200Kc,

mientras q u e las cuatro restantes corresponden a la reconstruccin del
modelo real. En cada una de ellas estn representados los resultados
obtenidos utilizando 1 subconjunto o r d e n a d o (lnea continua), 10 (crculos
blancos), 2 0 (crculos negros), 30 (cuadrados blancos) y 6 0 subconjuntos
ordenados (cuadrados negros). En cada grfica se representa el valor d e
la F D M en funcin del nmero de iteraciones utilizados para 0 5 = 1 . S e
s u p e r p o n e n los valores d e las F D M obtenidos con los diferentes valores
de OS, dispuestos sobre la iteracin resultante de multiplicar el nmero de
iteracin correspondiente por el valor d e OS.
Esto s e hace as
para
c o m p r o b a r la hiptesis d e que la utilizacin de un valor determinado de

OS acelera en un m i s m o factor OS el proceso iterativo, siendo la iteracin
n-sima c o n 0 5 d i f e r e n t e d e 1 equivalente a la iteracin O ^ o b t e n i d a con
un slo subconjunto o r d e n a d o . Los valores de las F D M representadas son
el promedio s o b r e las diez realizaciones d e ruido del CC, el contraste del
s e g u n d o y quinto crculo negro y la verosimilitud directa y
respecto
un s e g u n d o
conjunto
de
proyecciones,
distinto
cruzada
para
cada
realizacin d e ruido. En las cuatro grficas correspondientes al estudio

real, se adjuntan t a m b i n los resultados del modelo simulado con
0S=^
(lnea discontinua) a fin d e poder contrastar los resultados simulados con

los reales.
Captulo 6
estadsticos
pg. 153
20 40 60 80 100 120 140 160 180
20 40 60 80 100 120 140 160 180
-r
20 40 60 80 100 120 140 160 180

20 40 60 80 100 120 140 160 180

o
o
20 40 60 80 100 120 140 160 180

20 40 60 80 100 120 140 160 180

20 40 60 80 100 120 140 160 180

20 40 60 80 100 120 140 160 180

Figura 6-8. Representacin de CC, C0N2, C0N5, DL (verosimilitud directa) y CL

(verosimilitud cruzada) respecto el nmero de iteraciones multiplicado por OS para
diferentes valores de OS. Las 4 primeras grficas corresponden al estudio simulado (200
Kc) mientras que las 4 restantes son del estudio real. 0S=^ (continua), O5'=10 (crculos
blancos), OS=20 (crculos negros), (95=30 (cuadrados blancos) y 05=60 (cuadrados
negros). En los estudios reales, la lnea de puntos es la referencia correspondiente al
modelo simulado y 0S=^.
Captulo 6
estadsticos
pg. 154
El primer resultado destacable e n los d o s estudios (simulado y real) es

que para
los valores d e OS menores
(10 y 20) h a y una perfecta
superposicin d e los resultados con los d e 0S=^,
d e acuerdo c o n la
premisa e x p u e s t a e n [HUD-94] referente a q u e el factor d e aceleracin

producido por el uso d e subconjuntos ordenados coincide con el valor d e
OS. No obstante, se observa tambin q u e para valores mayores d e OS, los
valores d e las F D M alcanzados son peores, denotando una peor calidad
de la imagen. Este hecho no es debido a q u e , para valores de OS altos, el
factor d e aceleracin no s e a igual al valor d e OS. En efecto, si se mira el
comportamiento d e CC y C0N2 para OS=60 e n las d o s primeras grficas
de la Figura 6-8, se observa q u e la grfica de CC indicara q u e OS=60
acelera un factor m a y o r q u e 60, mientras que la grfica C0N2
indica lo
contrario.
En la Figura 6-9, se expresan los resultados anlogos obtenidos del

modelo digital d e trax. S e aprecian los mismos comportamientos q u e e n
el m o d e l o d e Jaszczak simulado y real. La nica p e q u e a diferencia,
difcil d e justificar, e s el mejor comportamiento de CC a un nmero d e
iteraciones para OS=60 respecto valores menores de OS.
Las grficas d e la Figura 6-10 representan los mismos resultados q u e la

Figura 6-8 para el estudio simulado d e Jaszczak con 50 Kc y 8 0 0 Kc
respectivamente. En primeras las cuatro grficas, correspondientes a
50Kc, se observa q u e para 0S= 6 0 , 30 e incluso 20, los valores obtenidos
de CC, DL
i CL s o n peores
respecto
los conseguidos
con
0S=^.
Contrariamente, en las cuatro inferiores (correspondientes a 800 Kc, los

valores d e las F D M s e mantienen para valores altos d e OS. Slo O5'=60
presenta resultados claramente inferiores q u e los de 0S=1 para algunas
F D M . C o m p a r a n d o las cuatro grficas correspondientes a 50 Kc, con las
de 8 0 0 K c y las d e la Figura 6-8 (200 Kc), se observa q u e el n m e r o d e
subconjuntos utilizables sin q u e se produzca una degradacin d e la
Captulo 6
estadsticos
pg. 155
i m a g e n es m a y o r cuanto mayor sea el nmero de cuentas, es decir,

cuanto m a y o r s e a la relacin seal-ruido en las proyecciones.
Las Figuras 6-11 y 6-12 muestran las imgenes correspondientes al

m x i m o de CC para el modelo de Jaszczak simulado (200 Kc) y el modelo
d e trax con el m i s m o nmero de cuentas utilizando valores d e 0 5 = 1 , 10,
2 0 , 30 y 6 0 . P u e d e observarse, en concordancia con lo visto en las
grficas de la Figura 6-8, la total equivalencia de las 3 primeras imgenes,
correspondientes a 0 5 = 1 y 21 iteraciones, 0 5 = 1 0 y 2 iteraciones y 0 5 = 2 0
y 1 iteracin, y la peor calidad de las dos ltimas, correspondientes a
0 5 = 3 0 y 0 5 = 6 0 y una iteracin.
1.00
0.95
0-9
20
40
60
80 100 120 140 160 180
20
-10000
nr
40
60
80 100 120 140 160 180
"T"
-11000
-12000
Q
-13000
-14000
-15000
-J
-16000
0
20
40
60
L
80 100 120 140 160 180
20
40
60
80 100 120 140 160 180
Figura 6-9. Resultados obtenidos a partir del modelo simulado de trax. Representacin
de CC, CONJ, CON4, DL (verosimilitud directa) y CL (verosimilitud cruzada) respecto el
nmero de iteraciones multiplicado por OS para diferentes valores de OS: 05=1
(continua), 05=10 (crculos blancos), 05=20 (crculos negros), 05=30 (cuadrados
blancos y 05=60 (cuadrados negros)
Captulo 6
pg. 156
estadsticos
o
u
20 40 60 80 100 120 140 160 180
20 40 60 80 100 120 140 160 180
-7000
-7500
nr
-7000
T I I r
n
\\\IIIr
-7500
"
crT^-t-o-g-o-g-o-g-o-g-o-g-o-g-o-ii
Q
-8000 |-
-8500
-9000
-8000 |-8500
I
J
L
l i l i
20 40 60 80 100 120 140 160 180
TI\I1r
-9000
J
L
J
I
I
L
O 20 40 60 80 100 120 140 160 180
n
20 40 60 80 100 120 140 160 180

20 40 60 80 100 120 140 160 180

Tr
20 40 60 80 100 120 140 160 180

20 40 60 80 100 120 140 160 180

Figura 6-10. Representacin de CC, CONl, CON5, DL (verosimilitud directa) y CL

(verosimilitud cruzada) respecto el nmero de iteraciones multiplicado por OS para
diferentes valores de OS. Las 4 primeras grficas corresponden al estudio simulado con
50Kc mientras que las 4 segundas son del estudio simulado con SOOKc. 0 5 = 1 (continua),
05=10 (crculos blancos), 0 5 = 2 0 (crculos negros), 05=30 (cuadrados blancos) y OS=60
(cuadrados negros).
Captulo 6
estadsticos
pg. 157
''V'.
"''-'W
Figura 6-11. Correlativamente, imgenes obtenidas para OS=^ y 21 iteraciones, O5'=10 y

2 iteraciones, y 05=20, 30 y 60 y 1 iteracin para el modelo de Jaszczak simulado y 200
Kc.
Figura 6-12. Correlativamente, imgenes obtenidas para (95=1 y 62 iteraciones, 05=10 y

6 iteraciones, 05=20 05=30 y 2 iteraciones y 05=60 y 1 iteracin para el modelo de trax
simulado y 200 Kc (iteracin para el mximo de CC).
En la Figura 6-13 se representa para el mocJelo de Jaszczak simulado y

50, 200 y 8 0 0 K c (grfica primera), para el modelo real (grfica intermedia)
y para el m o d e l o simulado de trax con 50, 2 0 0 y SOOKc (grfica inferior)
el n m e r o de iteraciones para alcanzar el m x i m o de CL (equivalente a
CVR=0) en funcin del nmero de subconjuntos ordenados utilizados en
escala
semilogartmica.
realizaciones
de
ruido.
Los
Se
valores
representa
estn
promediados
tambin
mediante
sobre
una
continua la funcin nmero de iteraciones con 05"= 1 dividido por
10
lnea
OS.
S e g n la premisa q u e OS acta c o m o un factor d e aceleracin, el nmero

de iteraciones precisas para alcanzar el m x i m o de CL d e b e ser el
n m e r o d e iteraciones necesitado con 0S=1
dividido por el factor de
aceleracin, e s decir, OS. Los puntos deben superponerse a la grfica

continua para verificar esta premisa. En el modelo real, a su vez, s e dibuja
los valores obtenidos con el modelo simulado equivalente.
Captulo 6
estadsticos
pg. 158
O 10 20 30 40 50 60
OS
100 o
o
E
X
E
m
o
10 20 30 40 50 60
OS
10 20 30 40 50 60
OS
Figura 6-13. Representacin en escala logartmica del nmero de iteraciones para

alcanzar el mximo de CL en funcin del nmero de subconjuntos empleados. Los
valores encontrados estn representados por smbolos. La lnea continua es la curva
predicha por la teora (nmero de iteraciones de OS=^ dividido por OS). La primera figura
corresponde ai modelo de Jaszczak simulado para 50 Kc (crculos blancos), 200 Kc
(crculos negros) y 800 Kc (tringulos). La segunda figura corresponde al modelo real. La
lnea discontinua muestra los resultados del modelo numrico equivalente. La tercera
figura corresponde al modelo simulado de trax para 50 Kc (crculos blancos), 200 Kc
(crculos negros) y 800 Kc (tringulos)
Captulo 6
estadsticos
pg. 159
S e observa en las tres grficas que, para los valores menores de OS, el
ajuste entre los puntos experimentales y la prediccin terica e s muy
b u e n a . Las discrepancias, sin ser muy significativas, se producen para
valores d e OS g r a n d e s . S e observa, tambin, q u e el valor de OS en que
a p a r e c e n las primeras discordancias es menor para nmeros d e cuentas
inferiores, tanto en el modelo de Jaszczak c o m o en el modelo d e trax.
Finalmente, puede destacarse q u e el ajuste entre el modelo real y el
m o d e l o s i m u l a d o equivalente es bueno. En el m i s m o sentido, en la Tabla
6-5 s e muestra, para un realizacin d e ruido determinada, el valor de las
diferentes F D M en el punto de corte indicado por CVR. Se observa, q u e
para valores d e OS bajos, los valores de las F D M s o n anlogos. A d e m s ,
si el n m e r o d e iteraciones equivalentes (el producto de las iteraciones
por el n m e r o d e subconjuntos empleados) e s menor, entonces CC es
ligeramente superior y CON
inferior y viceversa.
Esto demuestra
la
compatibilidad del criterio CVR con el uso de subconjuntos o r d e n a d o s . No

obstante,
si
el
nmero
de
subconjuntos
es
grande,
este
buen
c o m p o r t a m i e n t o se rompe, ya q u e se obtienen imgenes con un
CC
c l a r a m e n t e inferior y un CON no necesariamente superior.
Modelo simulado
iteracin
CC
CON2
CON5
Modelo fsico
iteracin
CC
CON2
CON5
Modelo de trax
iteracin
CC
CON2
CON5
05=1
05=10
05=20
05=30
05=60
48
0.937
0.690
0.240
4
0.940
0.666
0.241
2
0.937
0.690
0.241
1
0.937
0.645
0.272
1
0.906
0.701
0.167
5
0.922
0.647
0.397
3
0.913
0.671
0,404
2
0.902
0.690
0.399
1
0.897
0.527
6
0.900
0.809
0.416
3
0.896
0.816
0.424
2
0.891
0.850
0.403
51
0.922
0.640
0.389
59
0.902
0.803
0.414
0.439
2
0.866
0.856
0.452
Tabla 6-5. Valores de las diferentes FDM en el punto de corte indicado por el criterio
CVR para diferentes imgenes. Todos ios modelos corresponden a 200 Kc.
Captulo 6
estadsticos
pg. 160
En la Figura 6-14 p u e d e n observarse las imgenes correspondientes a los

modelos y al n m e r o d e iteraciones indicado en la T a b l a 6-5 dispuestos
en el m i s m o orden.
^^^^^9tm
Jtf^^^^^fc.
i^^^S^â
i^S'WMii^b
i^^^^^^^^^^^
'^^^^^^^^^^^^
^r^^^^^P
'l^^^p^B
Figura 6-14 Imgenes obtenidas con el criterio CVR para los modelos simulado 200Kc
(primera fila), modelo real (segunda fila) y modelo simulado de trax 200Kc (tercera fila).
Las diferentes imgenes corresponden, sucesivamente a valores de 05=1,10, 20, 30 y
60. El nmero de iteraciones se puede encontrar en la tabla 6-5.
6.4.3. Discusin de los resultados.

Los resultados obtenidos indican que el uso de subconjuntos ordenados
acelera el proceso
de
reconstruccin
un factor
igual al n m e r o
de
subconjuntos e m p l e a d o s si el nmero de subconjuntos es bajo.
No
obstante, si el n m e r o d e subconjuntos ordenados es grande, OS deja d e

actuar
nicamente
como
un
factor
de
aceleracin
se
obtienen
reconstrucciones la calidad inferior. Esto sugiere que hay un valor m x i m o
Captulo 6
estadsticos
pg. 161
de OS utilizable q u e optimiza la reconstruccin en el sentido q u e obtiene

los mejores resultados mediante un mnimo de iteraciones. La utilizacin
d e un valor superior d e OS produce imgenes d e peor calidad. Este valor
d e p e n d e , entre otros factores, del n m e r o de cuentas de la i m a g e n , es
decir de la relacin seal-ruido de la misma. C u a n t o mayor sea el n m e r o
d e cuentas, m s subconjuntos pueden utilizarse sin que se produzca la
degradacin d e la imagen. Por ejemplo, para las imgenes de 800 Kc
podra utilizarse un valor de 0 5 = 2 0 , q u e acelerara la reconstruccin un
factor 2 0 sin d e g r a d a r la imagen. Por otra parte, si el nmero d e cuentas
es menor, el valor m x i m o de OS utilizable es inferior. Segn s e muestra
en la Figura 6-10, el resultado de C>5'=20 es inferior q u e para valores
m e n o r e s de esta variable. En tal caso, es conveniente utilizar un valor de
OS=W.
Otro aspecto q u e s e ha de tener en cuenta e s que, a u n q u e OS
se
c o m p o r t e c o m o factor de aceleracin dentro de un determinado rango de

valores, no siempre ser deseable utilizar su valor ptimo por sobrepasar
el n m e r o d e
iteraciones en q u e o b t e n e m o s
la mejor i m a g e n .
Por
ejemplo, si una F D M obtiene sus valores ptimos alrededor de la iteracin

30 y se utiliza O S = 2 0 , tanto con una iteracin c o m o con 2 se obtendran
peores resultados q u e con O S = 1 0 y 3 iteraciones. Si la evolucin d e esta
F D M es rpida, este hecho puede tener gran importancia.
Finalmente, s e c o m p r u e b a que, para los valores d e OS vlidos (en los que

no se produce degradacin de la imagen), el criterio CVR interrumpe el
proceso iterativo en un punto equivalente al obtenido con M L E
{0S=^).
Por tanto, este m t o d o de detencin de la reconstruccin es compatible

con el uso de subconjuntos ordenados.
Captulo 6
estadsticos
pg. 162
Captulo 7
Comparacin de resultados
pg. 163
7. Comparacin de resultados.
Una
vez
estudiados
los
diferentes
mtodos
de
reconstruccin
implementados, la F B P con correccin de la atenuacin por el m t o d o d e

C h a n g iterativo, A R T con restriccin d e no negatividad y parmetro de
relajacin y los e s q u e m a s acelerados d e M L E , podra parecer interesante
llevar a c a b o un estudio comparativo d e los m i s m o s para determinar con
cul d e los mtodos se obtienen mejores resultados. No obstante, segn
se ha visto e n los captulos precedentes, no tiene sentido hacerlo para el
caso general, sino para casos concretos. En efecto, cuando se mejoran
los valores d e determinadas F D M , simultneamente se e m p e o r a n los
valores d e otras. En cada caso, s e g n el tipo y la utilidad de la imagen, se
han d e determinar
las caractersticas a optimizar
[CEN-87][DEM-89].
Existen, a d e m s d e la optimizacin de las F D M , otros factores que

condicionan la eleccin d e un m t o d o u otro, c o m o la disponibilidad o no
del m a p a d e atenuacin o la relacin calidad-coste en tiempo y recursos
informticos necesarios. Por tanto, no se pretende establecer un criterio
de eleccin d e m t o d o s d e reconstruccin, sino un procedimiento q u e
permita establecer, mediante la realizacin d e estudios simulados, sus
prestaciones y los parmetros q u e optimizan s u rendimiento e n cada
situacin concreta y, d e esta manera, poder evaluar la conveniencia o no
de s u uso.
En este captulo, e n primer lugar, s e comparan los resultados obtenidos

para el modelo d e Jaszczak en los captulos 4 , 5 y 6. El m t o d o estndar
utilizado e n la rutina clnica, la F B P sin correccin de atenuacin, o con
correccin de atenuacin no iterativa, se toma c o m o referencia para poder
precisar la mejora debida al uso d e los diferentes mtodos iterativos.
Posteriormente, se profundiza sobre los rasgos c o m u n e s a los diferentes
m t o d o s d e reconstruccin y se muestra una relacin d e los principales
artculos
donde
han
sido
comparados
diferentes
mtodos
de
reconstruccin, y a s e a d e s d e un punto de vista prctico c o m o terico.
Captulo 7
pg. 164
Para concluir, c o m o e j e m p l o de aplicacin de la metodologa desarrollada

en este trabajo, se g e n e r a n y c o m p a r a n los resultados obtenidos para un
estudio d e cuantificacin de captacin d e un determinado f r m a c o por
tumores pulmonares.
7.1. Comparacin de los resultados de los captulos 4, 5 y 6

A continuacin se m u e s t r a una seleccin de resultados d e los captulos 4 ,
5
y 6. T a m b i n s e muestran algunos resultados no incluidos e n los
m e n c i o n a d o s captulos, en particular las pruebas con el colimador B para

A R T . Las pruebas del modelo de trax no se incluyen por ser
muy
parecidas a las de la aplicacin del apartado 7.2. N o se han tenido en

cuenta
los factores
prestaciones
de
los
de
aceleracin.
mtodos,
Slo
se
ha
pretendido
independientemente
del
ver
las
nmero
de
iteraciones necesarias. Las discusin sobre la velocidad de los m t o d o s

de reconstruccin no ha sido considerada, pues el t i e m p o de ejecucin
d e p e n d e del n m e r o d e iteraciones y ste de la aceleracin aplicable al
proceso d e reconstruccin en cada caso concreto. No obstante, s e g n lo
observado, no existe m u c h a diferencia entre mtodos. Para realizar 6 4
iteraciones s o b r e el e q u i p o informtico descrito en el apartado 3.3, el
tiempo de clculo requerido es a p r o x i m a d a m e n t e d e 3 minutos en IFBP,
3'5 minutos en A R T y 4 minutos en M L E .
7.1.1. Recopilacin de resultados
para el modelo de
Jaszczak
En la Figura 7-1 se m u e s t r a la evolucin de CC, CON!
y SNRJ en funcin
del n m e r o d e iteraciones para el m o d e l o de Jaszczak simulado con 200

Kc y el m o d e l o real, reconstruido con M L - E M (lnea continua), A R T con
parmetro igual a 0.1 (lnea discontinua) y IFBP con filtro de Metz y
exponente igual a 1 (lnea d e puntos). Estas grficas p o n e n de manifiesto,
en primer lugar, la m i s m a evolucin d e las F D M . Sin tener en cuenta la
velocidad d e convergencia, q u e c o m o se ha visto anteriormente
es
pg. 165
Captulo 7
regulable e n los t r e s m t o d o s , CC y SNRl
alcanzan un valor m x i m o tras
el q u e e m p e o r a n , mientras q u e CONI a u m e n t a c o n t i n u a m e n t e .
modelo simulado
modelo real
20
40
60
iteraciones
modelo simulado
modelo real
iteraciones
modelo simulado
modelo real
20
40
60
iteraciones
Figura 7-1. Evolucin de las diferentes FDM en funcin de las iteraciones para el modelo
de Jaszczak simulado 200 Kc (primera columna de grficas) y el modelo real (segunda
columna). La lnea gruesa corresponde a la reconstruccin con MLE, la lnea delgada a
ART y la lnea discontinua IFBP.
Captulo 7
pg. 166
De las grficas de la Figura 7-1 s e ha extrado la tabla 7-1 d e valores

mximos. Las d o s primeras filas son el valor d e las F D M para F B P (primer
punto d e la grfica d e IFBP) y para F B P aplicando C h a n g 1 v e z (segundo
punto d e la grfica d e IFBP). Despus s e muestran los valores m x i m o s
que alcanzan cada u n a d e las F D M . Este valor m x i m o s e alcanza a una
iteracin diferente para c a d a F D M y c a d a mtodo d e reconstruccin. En
las tres ltimas filas s e ha querido evaluar las F D M sobre la imagen mejor
de la serie, entendiendo por imagen mejor una solucin d e c o m p r o m i s o
entre la maximizacin d e CC y la de CON segn lo discutido e n los
respectivos captulos ( e n el caso d e M L E , corresponde a la iteracin
encontrada e n el estudio d e CRV de\ apartado 6.2). S o b r e los resultados
de la tabla, p u e d e c o m p r o b a r s e c m o los mtodos iterativos mejoran los
valores d e F B P y F B P c o n la aplicacin no iterativa del m t o d o d e C h a n g .
Solamente M L E tiene un valor m s bajo d e SNRl q u e F B P e n el m o d e l o
real. El bajo valor d e esta F D M e s debido a la suavidad d e las i m g e n e s
de M L E . G l o b a l m e n t e el mtodo q u e d a mejores resultados e s A R T
a u n q u e la diferencia, c o m o puede apreciarse en las imgenes d e la
Figura 7-2, no e s importante. Dado el crecimiento d e CONl,
su valor
m x i m o no e s absoluto, sino q u e e s el valor a la iteracin 6 4 .
Modelo simulado 200 Kc
CC
CONl
SNRl
CC
CONl
SNRl
FBP+Ch
0.867
0.937
0.653
0.644
2.962
4.183
0.897
0.934
0.626
0.605
3.212
3.443
MLE
ART
IFBP
0.948
0.953
0.940
0.741
0.815
0.746
3.387
4.310
4.183
0.937
0.945
0.934
0.702
0.776
0.698
2.866
3.464
3.443
MLE (46)
ART (8)
IFBP (3)
0.938
0.951
0.940
0.705
0.704
0.659
3.033
3.989
3.501
0.927
0.942
0.934
0.673
0.685
0.624
2.663
3.325
3.033
FBP
II
Modelo real
Tabla 7 - 1 . Resultados de los diferentes mtodos de reconstruccin para el modelo de

Jaszczak simulado (200Kc) y para el modelo real. En primer lugar, se muestra los
resultados para FBP y FBP con correccin de atenuacin por el mtodo de Chang sin
iterar; las tres filas siguientes corresponden a los valores mximos alcanzados por las
diferentes FDM en los mtodos iterativos (independientemente de la iteracin al que lo
alcanzan); las tres ltimas muestran los valores de las FDM para la "mejor" imagen de la
Captulo 7
pg. 167
Figura 7-2 Imgenes obtenidas con los diferentes mtodos. La primera fila corresponde
al modelo simulado (200 Kc) y la segunda al modelo real. En cada fila, la primera imagen
corresponde a FBP, la segunda a FBP con aplicando una sola vez la el mtodo de
Chang de correccin de atenuacin, la tercera es MLE a la iteracin 46, la cuarta ART a
la iteracin 8 y la ltima IFBP a la tercera iteracin.

En la Figura 7-1 y en los diferentes estudios realizados en los captulos 4,
5 y 6 s o b r e la calidad de la imagen reconstruida en funcin del nmero de
iteraciones
en
los diferentes
mtodos
iterativos, se
manifiesto un conjunto de rasgos comunes.
han
puesto
En todos los casos,
de
la
convergencia de la reconstruccin hacia la imagen ideal es parcial, es

decir, aproximacin en las primeras iteraciones y divergencia a partir de
una iteracin d a d a . Igualmente, el comportamiento de las diferentes F D M
es similar. Mientras CC, SNR y CV, m u y dependientes del ruido, tienen un
valor m x i m o tras el cual se d e g r a d a n , CON,
menos dependiente del
ruido, parece tener una evolucin diferente, mejorando continuamente su

valor (en realidad, en pruebas realizadas con un nmero muy grande de
iteraciones - d e 800 a 2000, s e g n el caso- s e observa t a m b i n una
degradacin de CON).
Estos f e n m e n o s son inherentes al problema de
reconstruccin tomogrfica de proyecciones con ruido. Diversos autores

han realizado estudios tericos d o n d e se predicen, parcial o totalmente.
Captulo 7
pg. 168
alguno d e estos efectos c o m o , por ejemplo, [LOU-83][CEN-87][DEF-88]

[NAT-88][VIE-88][DEM-89][FLE-90] O [BAR-94]. C o m o s e ha m e n c i o n a d o
en los captulos precedentes, d a d a la naturaleza mal condicionada d e la
reconstruccin t o m o g r f i c a , d e b e buscarse, e n cada c a s o , un m e c a n i s m o
de
regularizacin
de
la
solucin.
La
presencia
de
ruido
en
las
proyecciones hace q u e la mejor reconstruccin (la i m a g e n m s parecida

al modelo original) no s e a la q u e mejor se ajusta a las proyecciones,
solucin d e mnimos c u a d r a d o s (LS= Least
Squares)\
y a q u e el ruido
tiende a amplificarse m u c h o sobre la reconstruccin
[CEN-83][NAT-88]
[DEM-89]. Esta regularizacin es la responsable d e las diferencias entre

los diversos m t o d o s iterativos de reconstruccin dado q u e la mayora d e
ellos c o n v e r g e n hacia la misma solucin LS (en [VIE-88] se d e m u e s t r a
que tanto M L E c o m o A R T convergen hacia e s a solucin). En este sentido,
si se d e s e a r a la solucin LS no habra diferencia entre escoger un m t o d o
u otro. Contrariamente, los procesos iterativos regularizados s p u e d e n
producir i m g e n e s diferentes segn el m t o d o de reconstruccin y d e
regularizacin e m p l e a d o y tiene sentido estudiar s u s prestaciones por
separado.
R e s u m i e n d o lo dicho e n el captulo 3 y siguientes sobre la regularizacin

de los procesos iterativos d e reconstruccin, sta p u e d e conseguirse por
dos vas:
Introduciendo
un condicionamiento sobre la solucin, mediante la
minimizacin o m a x i m i z a c i n de algn funcional c o m o la norma d e la

solucin o la entropa, q u e garantice s u suavidad. E n este caso, por
m s q u e s e itere, este funcional
mantendr
la solucin
siempre
suficientemente "alejada d e los datos", es decir, q u e el ajuste c o n las

proyecciones experimentales no s e a mximo, y la solucin ser s u a v e
[TIT-85][DEM-89]. La distancia a la solucin LS viene calibrada por el
^ Solucin que minimiza la diferencia entre la proyeccin calculada a partir de la imagen

y las proyecciones experimentales, es decir, Aq-
es mnimo.
Captulo 7
pg. 169
parmetro d e regularizacin.
S e d e m u e s t r a e n [FLE-90] q u e cualquier regularizacin es equivalente

a la truncacin d e un proceso iterativo. Este hecho puede interpretarse
de la siguiente m a n e r a : segn se ha m e n c i o n a d o en el captulo 4 , el
ruido en E C T e s blanco, es decir, que tiene una d e s c o m p o s i c i n
espectral uniforme [BAR-81] [ROS-95a]. Dado q u e en las i m g e n e s c o n
q u e s e trabaja e n S P E C T las c o m p o n e n t e s d e baja y media frecuencia
tienen m u c h o m s peso q u e las d e alta frecuencia, e s e n la alta
frecuencia d o n d e el ruido predomina sobre la seal. En los procesos
iterativos d e reconstruccin,
primero
son reconstruidas
las bajas
frecuencias d e la imagen y posteriormente las altas frecuencias [LOU83] [DEF-88] [PAN-91]. P o r t a n t e , la c o m p o n e n t e d e alta frecuencia del
ruido, q u e e s la q u e degrada la imagen, no e m p i e z a a ajustarse hasta
al
cabo
de
unas
iteraciones.
Al
interrumpir
el
proceso
de
reconstruccin antes d e q u e se produzca este ajuste, se obtiene una

i m a g e n suave. El parmetro d e regularizacin q u e permite optar por
un mayor ajuste o una mayor suavidad es el nmero d e iteraciones.
En este sentido, para tener un parmetro d e regularizacin que
permita
modular
la solucin,
es
bueno
tener
mecanismos
que
posibiliten el control de la velocidad de convergencia del proceso

iterativo (exponente del filtro en IFBP, parmetro d e relajacin e n A R T
y parmetro d e sobrerelajacin o nmero d e subconjuntos o r d e n a d o e
en
M L E ) . P o r otra
parte, cuanto
menos
ruido
exista
sobre
las
proyecciones, m s alta ser la frecuencia en la q u e el ruido prevalezca

s o b r e la seal y, por consiguiente, m s iteraciones se podrn realizar
sin q u e se d e g r a d e la imagen.
Sobre los resultados de la tabla 7-1 y las imgenes d e la Figura 7-2,

p u e d e s u p o n e r s e q u e para este tipo de imgenes y para un propsito
general bastara c o n realizar F B P c o n la correccin d e Chang no iterativa,
pues produce i m g e n e s d e suficiente calidad a bajo coste (para aplicar el
m t o d o d e C h a n g u n a sola vez no e s preciso calcular la matriz d e pesos -
Captulo 7
pg. 170
el proyector- con t o d a s las ventajas que ello conlleva). No obstante, si se

quiere mejor calidad, cualquier mtodo, y e n particular A R T , mejoran los
resultados d e la reconstruccin.
7.2. Ejemplo de aplicacin

A p a r t e de una compilacin de los resultados de los captulos 4 , 5 y 6, en
este captulo se realiza la simulacin d e un estudio real de neoplasias
pulmonares, para ilustrar la metodologa desarrollada en este trabajo
sobre el uso d e los diferentes mtodos de reconstruccin en situaciones
concretas. El estudio m d i c o persigue cuantificar el nivel de captacin d e
^^"^Tc-tetrofosmina por neoplasias pulmonares, a fin d e determinar si la
mayor o m e n o r captacin de este f r m a c o significa la mayor o m e n o r
eficacia del tratamiento del tumor mediante quimioterapia.
Sobre este tipo d e estudio
se prueban
los tres
mtodos
iterativos
desarrollados en este trabajo ( M L E - O S , A R T , IFBP) y se c o m p a r a n los

resultados
con
los
obtenidos
con
el
mtodo
estndar
(FBP)
para
determinar las prestaciones, ventajas e incovenientes de cada uno d e

ellos. Las proyecciones utilizadas son simuladas numricamente s e g n lo
expuesto
en
el
captulo
3.
De
esta
manera,
se
puede
conocer
e x a c t a m e n t e los valores de las F D M previsibles sobre la reconstruccin

(no as si s e trabajara c o n estudios reales) y evaluar objetivamente los
mtodos iterativos.
7.2.1. Descripcin de las pruebas realizadas

Ha sido g e n e r a d o el m o d e l o numrico q u e muestra la Figura 7-3 a partir
del ajuste mediante elipses de una reconstruccin del estudio real de un
paciente con un t u m o r pulmonar. Dado q u e no s e poda
determinar
directamente la actividad de cada zona, sta ha sido fijada mediante una

tcnica de prueba-error d e manera que, e m p l e a n d o el m i s m o m t o d o d e
reconstruccin con los mismos parmetros que en el estudio real, se
Captulo 7
pg. 171
obtuviera el m i s m o nmero de cuentas relativo en cada regin de la

imagen respecto el existente en el estudio real. Para llevar a cabo un
estudio d e linealidad, se han simulado imgenes con diferente actividad:
3, 6, 9 y 12 veces m s actividad en el tumor (zona m s clara en el pulmn
izquierdo) que e n el fondo pulmonar (elipses oscuras). Los parmetros de
adquisicin (tipo d e colimador: B, radio de giro d e la g a m m a c m a r a : 23
c m , t a m a o de p i x e l : 0.7373 y n m e r o de cuentas en las proyecciones:
170 Kc) coincidan con los del estudio real. La dispersin ha sido simulada
por convolucin. Los mtodos de reconstruccin e m p l e a d o s han sido la
retroproyeccin filtrada con un filtro d e Metz con los exponentes 0.2, 1 y 3
y correccin de atenuacin mediante el mtodo d e Chang iterativo, A R T
con los parmetros de relajacin 0 . 0 1 , 0.1 y 0.4 y M L E - O S con 5 y 10
subconjuntos. En todos los casos se ha fijado el nmero m x i m o de
iteraciones en 16 y se han reconstruido
100 realizaciones de
ruido
diferentes, pues la dispersin era importante. El parmetro evaluado ha

sido uno u s u a l m e n t e empleado en este tipo de pruebas, el cociente de la
actividad del t u m o r respecto la actividad del p u l m n contrario que ser
referenciado con las siglas C F M (cociente de valores medios)^. Para evitar
Figura 7-3 Imagen numrica proveniente del ajuste mediante elipses de la seccin
reconstruida de un trax real. Las dos elipses oscuras interiores representan los
pulmones y la manctia clara del pulmn de la izquierda el tumor.
^ Es ms usual hacer el cociente de la actividad del tumor respecto la zona contralateral

(simtrica) del otro pulmn. No obstante, proceder as en este caso tiara que los
resultados tuvieran mucha ms dispersin (dependencia de la realizacin de ruido
concreta), ya que el tumor ocupa pocos pxeles y la actividad de la zona contralateral es
muy escasa.
Captulo 7
pg. 172
los efectos d e contorno, la actividad del t u m o r se ha evaluado en el 2 5 %

de pxeles d e mayor actividad.

De todos las pruebas realizadas, han sido escogidas M L E - O S con 10
subconjuntos o r d e n a d o s , A R T con parmetro de relajacin 0.4 y IFBP con
exponente del filtro d e Metz=1 para mostrar los resultados, puesto q u e las
d e m s pruebas, salvo A R T utilizando el parmetro 0 . 0 1 , m u c h o
lento,
daban
resultados
muy
parecidos
un
nmero
ms
distinto
de
iteraciones. Para el c a s o de IFBP, la primera iteracin corresponde al

resultado de la FBP sin correccin de atenuacin. Es, por tanto, el valor
q u e se obtendra c o n la reconstruccin estndar. En la Figura 7-4, se
muestran los valores obtenidos con los tres m t o d o s d e reconstruccin
para la i m a g e n con actividad tumoral relativa al pulmn igual a 6. La lnea
corresponde al p r o m e d i o de diez realizaciones de ruido y las barras de
error
representan
comprobarse
la
es que
desviacin
la evolucin
estndar.
de
Lo
los tres
primero
mtodos,
que
con
puede
estos
parmetros d e reconstruccin, es muy parecida. En t o d o s los casos, la

dispersin en las primeras iteraciones es pequea y, a medida q u e se
produce el ajuste, a u m e n t a . S e g n se puede c o m p r o b a r en la tabla 7-2,
los valores relativos d e la dispersin son muy parecidos para niveles
similares d e ajuste (alrededor del 12%). El problema d e la dispersin en
los
resultados
va
relacionado
directamente
con
el
ruido
sobre
las
proyecciones. Para c o m p r o b a r esta premisa, se ha g e n e r a d o un conjunto

de proyecciones con un n m e r o de cuentas 20 v e c e s superior (cuanto
mayor es el n m e r o d e cuentas, m e n o r es la importancia relativa del
ruido) y se ha obtenido una dispersin m u c h o menor (el 4 . 3 5 % ) .
Captulo 7
pg. 173
MLE-OS, 10 subconjuntos
10
15
iteraciones
ART, parmetro de relajacin = 0.4
10
15
iteraciones
IFBP, exponente del filtro = 1
Figura 7-4. Evolucin de CVM en funcin del nmero de iteraciones para los tres
mtodos de reconstruccin. La lnea representa el promedio sobre las 100 realizaciones
de ruido. Las barras de error representan la dispersin. El primer valor de la tercera
grfica corresponde a FBP.
Captulo 7
MLE-OS, 10 sube
Iteracin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1.936
3.055
4.074
4.811
5.308
5.659
5.923
6.136
6.318
6.478
6.624
6.760
6.890
7.014
7.134
7.248
ART, partn.= 0.4
%disp
CVM
%disp
6.875
10.122
11,522
12.083
12.374
12,575
12.720
12.841
12.939
13.101
13.289
13.461
13.630
13.791
13.953
14.114
2.369
3.349
4.155
4.729
5.130
5.425
5.655
5.846
6.010
6.156
6.290
6.414
6.530
6.639
6.741
6.839
6.186
8.683
9.929
10.591
11.015
11.294
11.548
11.788
12.010
12.211
12.396
12.563
12.729
12.886
13.031
13.175
pg. 174
IFBP, expon=1
( M/
2.578
2.588
3.797
4.765
5.260
5.578
5.822
6.026
6.203
6.360
6.504
6.638
6.763
6.882
6.994
7.102
1 %d.sO
7.297
7.271
9.806
10.720
11.394
11.863
12.259
12.574
12.820
12.991
13.110
13.231
13.359
13.456
13.542
13.602
Tabla 7-2. Valores de CVM respecto el nmero de iteraciones para los tres mtodos
iterativos. La primera columna es el valor promedio sobre 100 realizaciones y la segunda
el porcentaje que representa la dispersin sobre el promedio. Sombreado el valor ms
prximo al exacto (en este caso 6).
Otro factor a tener en cuenta es si el n m e r o de iteraciones para el q u e se

consigue el valor correcto d e p e n d e o no de la actividad del tumor. En este
caso, la aplicacin d e m t o d o s iterativos resultara conflictiva ya q u e no
podra determinarse el nmero de iteraciones necesario puesto
que
dependera d e una informacin desconocida a priori. En la Figura 7-4 s e

grafican s i m u l t n e a m e n t e los resultados obtenidos c o n los tres m t o d o s
de reconstruccin para diferentes valores de actividad del t u m o r
nmero
indica
la actividad del tumor
relativa al f o n d o del
(el
pulmn)
p r o m e d i a d o s sobre 100 realizaciones de ruido. Se p u e d e c o m p r o b a r que,

para M L E - O S , los mejores resultados se obtienen prcticamente a la
misma iteracin (7-8), mientras que tanto para A R T c o m o para IFBP, el
n m e r o d e iteraciones necesarios para recuperar la actividad exacta en el
tumor crece con el valor de esta actividad. Esto invalida la utilidad de
estos d o s m t o d o s para este tipo de estudios. S q u e hay dependencia
del n m e r o de iteraciones al que se recupera el valor exacto con el
n m e r o total d e cuentas d e la imagen. En las pruebas realizadas con
mayor n m e r o d e cuentas, el nmero d e iteraciones precisas era mayor
Captulo 7
pg. 175
(por e j e m p l o 18-19 para 3400 Kc). Este factor, sin embargo, e s conocido
a priori. Dadas u n a s proyecciones, mirando el n m e r o de cuentas total
p u e d e determinarse las iteraciones necesarias.
La tabla 7-3 m u e s t r a la comparacin de los valores obtenidos con el

m t o d o estndar y con M L E - O S y 10 subconjuntos ordenados a la
sptima iteracin. A p a r t e del valor obtenido (en promedio) se muestra la
dispersin y el coeficiente de regresin de los valores obtenidos con los
tericos, para p o d e r discernir si en ambos mtodos se mantiene
la
proporcionalidad d e la actividad del tumor en la reconstruccin. La recta

d e regresin ha sido forzada a pasar por el origen. Se observa linealidad
en a m b o s casos, pero siendo m u c h o mejor en el mtodo iterativo. Otro
dato q u e se p o n e d e manifiesto en esta tabla, es que la dispersin
d e c r e c e con la actividad del tumor. C o m o cabra esperar, al haber m s
cuentas, hay m s estadstica y los resultados no fluctan tanto.
Finalmente la Figura 7-5 muestra las imgenes obtenidas para FBP, M L E O S y 10 subconjuntos (7 iteraciones), A R T con parmetro de relajacin de
0.4 (9 iteraciones) y IFBP con e x p o n e n t e 1 (8 iteraciones). A u n q u e se
aprecian diferencias entre los distintos mtodos iterativos, sobre todo
M L E - O S respecto los otros dos, stas no se reflejan en el valor de CVM.
Captulo 7
pg. 176
MLE-OS, 10 subconjuntos. Resultados para diferentes

niveles de actividad del tumor
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
O
____
/ '
10
15
20
iteraciones
ART, parmetro=0.4. Resultados para diferentes

niveles de actividad del tumor
IFBP, exponente 1. Resultados para diferentes niveles

de actividad del tumor
Figura 7 4- Evolucin de CVM en relacin al nmero de iteraciones para diferentes

valores tericos de este parmetro para MLE-OS con 10 subconjuntos, ART y
parmetro=0.4 y IFBP, exponente=1. El resultado es el promedio de 100 realizaciones
diferentes de ruido.
pg. 177
Captulo 7
valor terico=12
valor terico=3
valor terico=6
valor terico=9
CVM
%disp
CVM
%disp
CVM
%disp
CVM
%disp
r^
FBP sin iterar
1.589
8.221
2.578
7.297
3.605
6.457
4.608
5.101
0.9568
IVILE-OS (iter 7)
2.867
16.211
5.923
12.720
9.149
11.659
11.920
9.910
0.9989
Tabla 7-3. Valores obtenidos mediante FBP y MLE-OS con 10 subconjuntos y 7

iteraciones. En la ltima columna se muestra el coeficiente de regresin del valor
obtenido con el terico para cada mtodo.
a)
b)
c)
d)
Figura 7-5. Imgenes correspondientes a una realizacin de ruido determinada del

modelo con CFMterico=6 reconstruido con; a) FBP, b) MLE-OS -iteracin 7-, c) ART iteracin 9- y d) IFBP -iteracin 8-.

El primer hecho destacable es que con FBP, el mtodo estndar, no se
recupera el valor exacto de actividad. No obstante, la actividad del t u m o r
e n la i m a g e n reconstruida mantiene linealidad respecto el valor terico
(r2=0.9568).
A l utilizar m t o d o s iterativos, se p u e d e recuperar el valor exacto, en un

n m e r o d e iteraciones determinado. En el caso d e M L E - O S , a diferencia
d e los otros d o s m t o d o s , ese n m e r o de iteraciones es independiente de
la actividad del tumor. La dependencia del n m e r o de iteraciones
realizar c o n la actividad del tumor inhabilita los mtodos A R T y IFBP. En

efecto, a u n q u e recuperen en cada caso el valor exacto, se debera poder
Captulo 7
pg. 178
estimar d e a n t e m a n o la actividad del t u m o r para poder determinar el

nmero d e iteraciones a realizar.
Otro factor a tener en cuenta e s que a medida que se itera el resultado es

ms
dependiente
de
la
realizacin
de
ruido
particular.
Aunque
en
promedio los resultados mejoran (la linealidad respecto la actividad del

tumor es m u y buena para los promedios: r^=0.9989), la dispersin d e los
resultados d e b i d a al ruido aumenta con el nmero d e iteraciones. S e
comprueba
que
la
dispersin
es
consecuencia
directa
del
ruido
observando
los resultados obtenidos con unas proyecciones con
un
nmero d e cuentas 2 0 v e c e s superior, d o n d e la dispersin es claramente

inferior. La dispersin en la iteracin d o n d e se obtiene el valor correcto es
algo m e n o s del doble q u e e n el caso de la FBP.
De todo ello se d e d u c e q u e existen dos factores contrapuestos,
la
fiabilidad y la recuperacin del valor exacto. En caso d e preferirse poca

dispersin a costa d e obtener valores m s alejados de los tericos, la
FBP e s suficiente, p u e s mantiene una buena linealidad con la actividad
del tumor. Por lo contrario, si se desea obtener un resultado ms prximo
al valor terico es preciso iterar, an a costa de perder cierta fiabilidad en
los resultados. T a m b i n sera posible encontrar, si fuera necesario, una
solucin d e c o m p r o m i s o entre a m b o s factores utilizando M L E - O S con un
nmero m e n o r de iteraciones del indicado con anterioridad. Este estudio
est pendiente de n u e v a s pruebas, en particular del nivel de dependencia
del valor d e CVM
condiciones
de
obtenido, tanto con F B P como con M L E - O S con las

adquisicin:
tamao
de
pixel,
radio
de
giro
de
la
g a m m a c m a r a , colimador, posicin y condiciones fsicas del paciente

(dimensiones del trax, obesidad) etc. A l modificar estos parmetros, no
debera variar el valor de CFM encontrado con los diferentes mtodos de
reconstruccin para garantizar que el valor esta F D M est unvocamente
relacionado con la actividad de emisin, esto es, con la concentracin del
radiofrmaco y no d e p e n d e de otros factores
Captulo 8
Conclusiones
pg. 179
8. Conclusiones
8.1. Captulo 3: Simulacin de proyecciones.
S e ha construido un simulador de proyecciones q u e
permite incluir el
efecto de la atenuacin, de la PSF, de la dispersin y del ruido. Para ello

se ha creado un programa que calcula la matriz de pesos o transicin y
otro programa q u e genera las proyecciones a partir de una
imagen
numrica y dicha matriz de pesos. Tanto las diferentes pruebas a las que
se ha sometido el simulador c o m o la comparacin cualitativa de los
resultados obtenidos de proyecciones reales y de proyecciones simuladas
avalan la correcta implementacin del mismo y la adecuacin de las
aproximaciones realizadas. Existen, no obstante, pequeas diferencias
cuantitativas entre los resultados obtenidos de proyecciones numricas y
proyecciones
reales
justificables
por
las
diferentes
aproximaciones
llevadas a cabo.
A su vez, se ha implementado un programa q u e evala objetivamente,

mediante el clculo de diferentes figuras de mrito, la calidad de la
imagen reconstruida.
8.2. Captulo 4: IFBP

Se ha i m p l e m e n t a d o un programa de reconstruccin por el m t o d o IFBP,
retroproyeccin filtrada con correccin de atenuacin por el m t o d o de
C h a n g iterativo.
Se ha realizado un estudio de la calidad de la reconstruccin en funcin

del e x p o n e n t e del filtro de Metz y del nmero de iteraciones. S e concluye
que:
S i e m p r e q u e el exponente sea suficientemente bajo, no s e observa

dependencia
de
la
calidad
de
la
reconstruccin
en
funcin
del
e x p o n e n t e , pero s del n m e r o de iteraciones (imgenes con
los
Captulo 8
Conclusiones
pg. 180
m i s m o s valores d e las F D M a un nmero diferente de iteraciones).

C u a n t o m e n o r es el exponente, mayor nmero d e iteraciones d e b e n
realizarse para obtener una imagen d e caractersticas iguales. En este
contexto, el e x p o n e n t e puede ser considerado c o m o un factor d e
aceleracin.
C u a n d o el e x p o n e n t e sobrepasa un valor m x i m o la calidad de la

reconstruccin e s inferior.
El rango d e valores del exponente con los q u e se obtienen los mejores

resultados d e p e n d e del ruido sobre las proyecciones: a mayor n m e r o
de cuentas, mayor p u e d e ser el exponente.
Si el m a p a de atenuacin es uniforme, se puede e s c o g e r el e x p o n e n t e

de
manera
que
sea
necesaria
una sola
iteracin
para
alcanzar
resultados aceptables, sin que sea preciso implementar el o p e r a d o r

proyeccin, a u n q u e procediendo d e esta manera, s e prima CON
sobre
CC, e s decir, se obtienen imgenes con mejor contraste y mayor

presencia de ruido. El uso de e x p o n e n t e s m e n o r e s permite optar por
i m g e n e s m e n o s ruidosas y peor contraste o i m g e n e s m s ruidosas
y d e m a y o r contraste.
Si el m a p a de atenuacin es no uniforme, los mejores resultados s e

obtienen d e s p u s d e ms de una iteracin. En este caso,
debe
implementarse el operador proyeccin necesario para la realizacin de

varias iteraciones.
8.3. Captulo 5: ART

Se
ha
implementado
un
mtodo
iterativo
de
reconstruccin,
la
reconstruccin algebraica con condicin de no negatividad, dependiente

de dos parmetros: el n m e r o de iteraciones y el parmetro de relajacin.
S e ha realizado un estudio de la d e p e n d e n c i a de la calidad de la imagen

reconstruida en funcin d e a m b o s parmetros. Las conclusiones q u e se
obtienen d e este estudio son:
Captulo 8
Conclusiones
Respecto
del
nmero
de
pg. 181
iteraciones,
se
comprueba
que
el
c o m p o r t a m i e n t o d e las diferentes F D M es distinto. En particular, el

c o m p o r t a m i e n t o d e CON es opuesto al de las otras F D M consideradas.
Mientras CON e s creciente las otras FDM tienen un m x i m o tras el
cual d e c r e c e n . Si la aplicacin clnica lo requiere, puede conseguirse
un mejor valor de CON
a u m e n t a n d o el n m e r o de iteraciones en
detrimento d e las d e m s F D M (imgenes m s ruidosas).
En cuanto al factor de relajacin, se observa, para valores altos del

parmetro, una notable mejora de la calidad de la imagen al ir
d i s m i n u y e n d o su valor. No obstante, existe un valor a partir del cual la
reduccin del parmetro de relajacin no conlleva un a u m e n t o de la
calidad de la reconstruccin, siendo necesaria, por otra parte, una
m a y o r cantidad d e iteraciones para conseguir imgenes anlogas.
C o m b i n a n d o a m b o s factores, s e concluye q u e existe un rango de

valores
de
ambos
parmetros
en
los
que
la
calidad
de
la
reconstruccin mejora globaimente. Para el m o d e l o e m p l e a d o en este

captulo, se c o m p r u e b a que los mejores resultados se encuentran para
un factor de relajacin del orden d e 0.1 y un n m e r o de iteraciones del
o r d e n d e 8. Los m i s m o s resultados pueden obtenerse disminuyendo el
factor de relajacin y a u m e n t a n d o el nmero de iteraciones, pero a
costa d e a u m e n t a r el tiempo de reconstruccin.
8.4. Captulo 6: MLE

Se ha i m p l e m e n t a d o un mtodo iterativo de reconstruccin por estimacin
de
m x i m a verosimilitud
implementado
dos
con el criterio de detencin
esquemas
de
aceleracin
de
CVR.
este
Se
han
mtodo,
la
sobrerelajacin ( S S A y A A ) y los subconjuntos ordenados ( M L E - O S ) .
S o b r e el criterio CVR, se concluye q u e :
CVR
es un b u e n criterio de detencin del proceso iterativo
imgenes
de
propsito
general,
pues
en
ningn
caso
para
produce
Captulo 8
Conclusiones
pg. 182
i m g e n e s d e mala calidad. A d e m s , este criterio no requiere ningn

tipo de informacin a priori de la i m a g e n , siendo una ventaja m s del
uso de los m t o d o s d e reconstruccin estadsticos.
La iteracin de interrupcin del proceso iterativo indicada por
CVR
d e p e n d e de la proyeccin t o m a d a de referencia. A u n q u e la variacin

no es importante, e s t e criterio puede producir i m g e n e s m s s u a v e s o
ms
ruidosas
contrastadas
dependiendo
de
la
proyeccin
de
referencia. Este h e c h o d e b e ser tenido en cuenta cuando se quiera

maximizar uno de estos criterios.
Del parmetro de sobrerelajacin, se ha realizado un estudio de
la
d e p e n d e n c i a d e la calidad de la imagen reconstruida en funcin del

nmero de iteraciones y del valor del m i s m o , as c o m o d e la aplicabilidad
del criterio d e la CVR c o m o mtodo de detencin del proceso iterativo. Las
conclusiones q u e se obtienen de este estudio son:
El c o m p o r t a m i e n t o d e las diferentes F D M respecto el n m e r o
de
iteraciones es anlogo al observado en A R T .
El rango de factores d e aceleracin utilizables va d e 1 a 2.5. Factores

superiores d e b e n desestimarse al deteriorarse las reconstrucciones a
las
pocas
iteraciones.
oscilatorio de la CVR,
El factor
2.5
produce
un
comportamiento
por lo que se desaconseja s u uso si se d e s e a
utilizar la CVR.
Las i m g e n e s obtenidas con S S A y A A obtienen valores de las F D M

muy parecidos. Puesto que A A no aporta ninguna mejora respecto
SSA, se r e c o m i e n d a el uso de este s e g u n d o e s q u e m a puesto q u e la
no-negatividad de la imagen est garantizada al ser un
esquema
multiplicativo.
En el rango de valores de 1 a 2.5 del factor d e aceleracin, se

c o m p r u e b a que las diferentes F D M sobre las i m g e n e s alcanzan los
m i s m o s valores a un nmero de iteraciones q u e e s
inversamente
proporcional a dicho factor. Se concluye que, a diferencia de A R T , el
Captulo 8
Conclusiones
pg. 183
parmetro d e relajacin no mejora la calidad de la imagen y se

c o m p o r t a n i c a m e n t e c o m o un factor de aceleracin.
A u n q u e el estudio del nmero d e iteraciones al cual interrumpir el

proceso iterativo d e b e hacerse en funcin d e la finalidad de la imagen,
se p u e d e concluir q u e la C V R e s un mtodo d e detencin eficaz tanto
para
SSA
como
para AA,
pues
produce
imgenes
con
c o m p e n s a d o s d e las F D M de comportamiento opuesto (CON
valores
respecto
CC o SNR).
T a m b i n se ha realizado un estudio d e la dependencia de la calidad de la

imagen respecto el n m e r o de subconjuntos ordenados en q u e se divide
las proyecciones y el nmero de iteraciones en M L E - O S . Del m i s m o se
extraen las siguientes conclusiones:
Utilizando un n m e r o pequeo d e subconjuntos ordenados el mtodo

M L E - O S acelera el mtodo M L E en un factor igual al n m e r o de
subconjuntos utilizados.
Si el n m e r o de subconjuntos empleado es excesivo, la
imagen
resultante e s d e calidad inferior a la conseguida con MLE.
El n m e r o m x i m o de subconjuntos utilizables depende, entre otros

factores, del la importancia del ruido sobre las proyecciones. Cuanto
m e n o r e s la presencia de ruido, mayor es el n m e r o de subconjuntos
o r d e n a d o s q u e s e puede utilizar sin que s e produzca una prdida de
calidad en la reconstruccin.
El criterio CVR de interrupcin del proceso iterativo es compatible con

la utilizacin d e subconjuntos
ordenados
mientras
el n m e r o
de
subconjuntos ordenados utilizados se mantenga dentro del rango de

valores en q u e la reconstruccin tiene la m i s m a calidad q u e con M L E ,
Si
se
utiliza
un
nmero
de
subconjuntos
presentar comportamientos anmalos.
superior,
CVR
puede
Captulo 8
Conclusiones
pg. 184
8.5. Captulo 7: Comparacin de mtodos

En vista a los resultados de los tres captulos anteriores se extraen las
siguientes conclusiones:
Los procesos iterativos mejoran los resultados d e FBP. En particular,

es notable la correccin de la atenuacin.
La convergencia del proceso iterativo e s parcial en los tres casos. Tras

mejorar e n las primeras iteraciones, la imagen e m p e o r a si s e prolonga
el proceso iterativo m s all de un determinado n m e r o de iteraciones.
Aunque
existen
pequeas
diferencias,
el comportamiento
de
las
diversas F D M en funcin de las iteraciones es m u y parecido e n los

tres m t o d o s iterativos. Tanto CC c o m o SNR alcanzan su valor m x i m o
a las p o c a s iteraciones, mientras que
mantiene su crecimiento.
En los tres m t o d o s existe un parmetro para regular la velocidad de

convergencia. En los tres, sin e m b a r g o , existe un valor m x i m o d e ese
parmetro, d e p e n d i e n t e bsicamente de la cantidad de ruido sobre las
proyecciones
que
puede
ser
determinado
mediante
estudios
simulados, a partir del cual los resultados obtenidos son peores.
A nivel terico se c o n c l u y e que:
La interrupcin del proceso iterativo e s un mtodo de regularizacin. A l

ser reconstruidas e n primer lugar las c o m p o n e n t e s de baja frecuencia
(estructura
general
frecuencia
(detalles),
principalmente
de
la
dado
imagen)
que
la
posteriormente
componente
a las altas frecuencias,
de
las
de
ruido
la truncacin del
alta
afecta
proceso
iterativo elimina la amplificacin de ruido sobre la reconstruccin.
El parmetro
combinacin
de
con
regularizacin
la
velocidad
es
el nmero
de
de
convergencia
iteraciones
del
en
mtodo.
A u m e n t a n d o el n m e r o de iteraciones se consigue ajusfar m s la

imagen a las proyecciones a costa de amplificar el ruido. Por el
contrario,
disminuyendo
el
nmero
de
iteraciones,
se
consiguen
i m g e n e s m s s u a v e s , pero con m e n o r resolucin y contraste.
Captulo 8
Conclusiones
pg. 185
En la aplicacin a la cuantificacin d e la actividad d e emisin d e un tumor

p u l m o n a r se concluye q u e :
El m t o d o F B P e m p l e a d o usualmente en este tipo de estudios no

recupera el valor d e la actividad d e l tumor.
Los m t o d o s iterativos s recuperan dicho valor, pero slo M L E - O S lo

h a c e a un n m e r o de iteraciones independiente de la actividad del
tumor. En c o n s e c u e n c i a , el desconocimiento a priori d e e s a actividad
h a c e q u e n i c a m e n t e pueda utilizarse M L E - O S .
A u n q u e el valor encontrado no s e a correcto, la actividad del t u m o r en

la imagen
reconstruida
mantiene para F B P una buena
linealidad
respecto el valor terico.
D e b i d o al ruido e n las proyecciones, los resultados tienen un cierta

dispersin, siendo m s elevada cuanto m a y o r sea el ajuste. Con
niveles de ajuste similares, se obtienen dispersiones del m i s m o orden
i n d e p e n d i e n t e m e n t e del algoritmo utilizado. La dispersin
aumenta
con el n m e r o d e iteraciones y disminuye c o n la actividad del tumor.
8.6. Publicacin de los resultados de esta tesis.

Los resultados d e este trabajo han d a d o lugar a los artculos [ROS-95b]
[ROS-96] [FAL-98] [FAL-99c] y a las comunicaciones a congresos [FAL-
93] [LLO-93] [ROS-93] [FAL-94a] [FAL-94b] [JUV-94] [FAL-95a] [FAL-95b]

[FAL-96] [FAL-97] [JUV-97a] [JUV-97b] [ROS-98] [FAL-99a] [FAL-99b].
8.7. Desarrollo futuro de las investigaciones.

Los
temas
que quedan
abiertos
posteriores
investigaciones
m u c h o s . No obstante, las lneas a desarrollar e n un futuro
son
inmediato
q u e d a n e n m a r c a d a s por el proyecto d e la CICYT: SAF99/0137.

Esta previsto mejorar la simulacin mediante la implementacin d e un
programa
que genere
proyecciones
de 5 1 2
bins
de
una
imagen
Captulo 8
Conclusiones
pg. 186
digitalizada a 5 1 2 x 5 1 2 , para que, posteriormente, las proyecciones se

reconviertan, por agrupacin de bins, en proyecciones de 64 o 128 bins.
De esta m a n e r a se pretende mejorar el parecido entre las proyecciones
reales y las s i m u l a d a s , sobre todo en los objetos de dimensin p e q u e a .
T a m b i n est previsto mejorar la simulacin de la dispersin. Otra linea
de investigacin en la obtencin de proyecciones e n la q u e se est
trabajando es la simulacin basada en mtodos de Monte Garlo. Esta
simulacin se podra utilizar tanto para obtener proyecciones c o m o para
evaluar el m t o d o utilizado hasta el m o m e n t o .
De los m t o d o s de reconstruccin, est pendiente el estudio de

diferentes
atencin
variantes
a
la
de
los
optimizacin
algoritmos
del
utilizados.
mtodo
MLE-OS.
Se
har
As
las
especial
mismo,
se
implementar la reconstruccin tridimensional con interrelacin d e las

diferentes secciones.
La tercera, y principal, va de desarrollo de este trabajo est en la

aplicacin a estudios clnicos. S e pretende aplicar el par s i m u l a c i n reconstruccin implementado, con las sucesivas mejoras que se realicen,
para determinar las mejores condiciones d e trabajo e n estudios reales d e
perfusin cerebral y miocrdica. Para ello, deben realizarse modelaciones
numricas
precisas
de
las
partes
del
cuerpo
simular
de
las
disfunciones a evaluar, d e b e validarse la reconstruccin tomogrfica con

m a p a de atenuacin obtenido por transmisin s i m u l t n e a m e n t e
a la
adquisicin, ha d e ser implementado un programa q u e genere la matriz de

pesos para los colimadores f a n - b e a m utilizados en S P E C T cerebral y
debe ser desarrollado una interfase q u e permita a los facultativos q u e
estn p o c o familiarizados con los lenguajes de programacin el uso de
estos p r o g r a m a s .
Apndice A
Abreviaturas
pg. 187
Apndice A: Siglas, abreviaturas y nombres de variables.

A:
Variable que representa la matriz de pesos.
AA:
Aditive Algorithm. Variante de MLE.
ART:
Algbrale Reconstruction Techniques. Mtodos de reconstruccin algebraicos.
CC:
Coeficiente de Correlacin.
CL:
Cross Likelihood. Verosimilitud cruzada.
CON:
Contraste.
CV:
Coeficiente de Variacin.
CVM:
Cociente de Valores Medios.
CVR:
Cross Validation Ratio. Cociente entre la verosimilitudes cruzada y directa.
DL:
Direct Likelihood. Verosimilitud directa.
ECT:
Emission Computed Tomography. Tomografa computerizada de emisin.
EM:
Expectation Maximization. Maximizacin del valor esperado.
FBP:
Filtered Back Projection. Retroproyeccin filtrada.
FDM:
Figuras (mciones) de mrito.
FFT:
Fast Fourier Transform. Algoritmo de la transformada de Fourier.
IFBP:
Iterative Filtered Back Projection. Mtodos iterativos de correccin en FBP.
Kc:
M:
- Kilocuentas. (1 Kc= 1000c).

Variable que representa el nmero de filas y columnas de la imagen
digitalizada. Nmero de bins para la proyeccin en cada ngulo.
MLE:
Mximum Likelihood Estimation.Rcconstmccin
por el mtodo de la mxima
verosimilitud.
MLE-OS: Mximum Likelihood Estimation with Ordered Subsets.'R.QConsm.ccin por
MLE utilizando subconjuntos ordenados.
N:
Variable que representa el nmero de ngulos de proyeccin.
OS:
Variable que indica el nmero de subconjuntos ordenados utilizados.
p:
Variable que representa las proyecciones.
PET:
Positrn Emission Tomography. Tomografa por Emisin de Positrones.
POCS: Projection Onto Convex Sets. Projecciones sobre subconjuntos convexos.

PSF:
Point Spread Function. Respuesta del detector a un punto emisor.
q:
Variable que representa la imagen.
SNR:
Signal-to-Noise Ratio. Relacin Seal-Ruido.
SPECT: Single Photon Emission Computed Tomography. Tomografa por Emisin de

Fotn nico.
SRF:
Scattering Response Function. Funcin que modeliza la dispersin de fotones.
SSA:
Successive Substitution Algorithm. Variante de MLE.
TC:
Tomografa Computerizada.
TF:
Transformada de Fourier.
Bibliografa
pg i
Bibliografa
[ABE-76]
L.Abellanas, A.Galindo. "Introduccin a la Teora de Operadores Lineales en Espacios de

Hilbert", Universidad Complutense de Madrid, Madrid, 1976.
[AND-89]
A.H.Andersen. "Algbrale Reconstruction in CT from Limited Views", IEEE Trans Med Imag,
8: 50-55, (1989).
[APE-88]
"APEX SPECT Manual: 5. Back Projection Filters", manual de las gammacmaras APEXSPECT de Elscint, 1988.
[ARC-95]
G.Archer, M.D.Titterington. "On Some Bayesian Regularizations Methods for Image

Restoration", IEEE Trans Image Process, 4: 989-995, (1995).
[AXE-84]
B.Axelsson, P.Msaki, A.Israelsson, "Subtraction of Compton Scattered Photons in Single

Photon Emission Computerized Tomography", J Nuc Med, 25: 490-494, (1984).
[BAI-87]
D.L.Bailey, B.F.Hutton, P.J.Walker. "Improved SPECT Using Simultaneous Emission and

Transmission Tomography", JNuc Med, 28: 844-851, (1987).
[BAK-80]
N.Bakhvalov. "Mtodos Numricos", Ed Paraninfo, Madrid, 1980.
[BAR-81]
H.H.Barret, W.Swindell. "Radiological Imaging", Academic Press, New York, 1981.
[BAR-94]
HJH.Barret, D.W.Wilson, B.M.W.Tsui. "Noise Properties of EM Algorithm: 1. Theory", Phys

MedBiol, 39: 833-846, (1994).
[BAR-97]
L.R.Bamden, P.L.Ong, C.C.Rowe. "Simultaneous Emission Transmission Tomography Using

Technetium-99m for both Emission and Transmission", Eur J Nuc Med, 24: 1390-1397,
(1997).
[BEC-82]
J.W.Beck, R.J.Jaszczak, R.E.Coleman, C.F.Starmer, L.W.Nolte. "Analysis of SPECT

Including Scatter and Attenuation Using Sophisticated Monte Cario Modeling Methods", IEEE
Trans Nuc Sci, NS-29: 506-511,(1982).
[BEE-93]
F.J.Beekman, E.G.J.Eijkman, M.A.Viergever, G.F.Borm, E.T.P.Slijpen. "Object Shape

Dependent PSF Model for SPECT Imaging", IEEE Trans Nuc Sci, 40: 31-39, (1993).
[BEL-79]
S.Bellini, M.Piacentini, C.Cafforio, F.Rocca. "Compensation of Tissue Absorption in Emission
Tomography", IEEE Trans Acoust Speech Sinal Process, ASSP-27: 213-218,(1979).

[BEN-70]
R.Bender, S.H.Bellman, R.Gordon. "ART and the Ribosome: A Preliminary Report on the
Three-Dimensional Structure of Individual Ribosomes Determined by Algbrale
Reconstruction Technique", J Theor BioL 29: 483-487, (1970).
[BER-86]
M.Bertero. "Regularization Methods for Linear Inverse Problems", publicado en el libro [INV86]: 52- 112.
[BOT-93]
E.H.Botvinick, Y.Y.Zhu, W.J.O'Connell, M.W.Dae. "A Quantitative Assessment of Palien

Motion and Its Effect on Myocardial Perfusin SPECT Images", J Nuc Med, 34: 303-310,
(1993).
Bibliografa
pg ii
[BRO-89]
G.Brozolo, M.Vitaletti. "Conjgate Gradient Subroutines for the IBM 3090 Vector Facility",
IBM JRes Develop, 33: 125-135, (1989).
[BUV-95]
I.Buvat, M.Rodrguez-Villafuerte, A.Todd-Pokropek, H.Benali, R.Di Paola. "Comparative

Assessment of Nine Scatter Correction Methods Based on Spectral Analysis Using Monte
Cario Simulations", JNuc Med, 36: 1476-1488, (1995).
[BYR-97]
C.L.Byme. "Convergent Block Iterative Algorithms for Image

Inconsistent Data", IEEE Trans mag Process, 6: 1296-1304, (1997).
[BYR-98]
C.L.Byme. "Accelerating the EMML Algorithm and Related Iterative Algorithms by Rescaled
Block-Iterative Methods", IEEE Trans Imag Process, 7: 100-109, (1998).
[CAO-96]
Z.J.Cao, L.E.Holder, C.C.Chen. "ptima! Number of Views in 360 SPECT Imaging", J yVwc/
Med, 37: 1740-1744,(1996).
[CAR-86]
J.M.Carazo, J.L.Carrascosa. "Information Recovery in Missing Angular Data Cases: an

Aproach by the Convex Projection Method in Three Dimensions", J Microscopy, 145: 23-43,
(1986).
[CEN-79]
Y.Censor, D.E.Guftanson, A.Lent, H.Tuy. "A New Approach to the Emission Computerized
Tomography Problem: Simultaneous Calculation of Attenuation and Activity Coefficients",
IEEE Trans Nuc Sci, NS-26: 2775-2779, (1979).
[CEN-81]
Y.Censor. "Row-Action Methods for Huge and Sparse Systems and their Applications", SIAM
Rev, 23:444-466,(1981).
[CEN-83a]
Y.Censor, P.P.B.Eggermont, D.Gordon. "Strong Under-relaxation in Kaczmarz's Method for

Inconsistent Systems", Numer Math, 41: 83-92, (1983).
[CEN-83b]
Y.Censor. "Finite Series- Expansin Reconstruction Methods", Proc IEEE, 71: 409-419,
(1983).
[CEN-87]
Y.Censor. "On Somo Optimization Techniques in Image Reconstruction from Projections",

Appl Numer Math, 3: 365-391, (1987)
[CEN-91]
Y.Censor. "On Variable Block Algbrale Reconstruction Techniques", publicado en el libro

[MAT-91]: 133-140.
[CHA-78]
L.T.Chang. "A Method for Attenuation Correction in Radionuclide Computer Tomography",

IEEE Trans Nuc Sci, NS-25: 638-643, (1978).
[CHA-79]
L.T.Chang. "Attenuation Correction and Incomplete Projection in Single Photon Emission

Computed Tomography" IEEE Trans Nuc Sci, NS-26: 2780-2789, (1979).
[CHE-88]
C.T.Chen, C.E.Metz, X.Hu. "Mximum Likelihood Reconstruction in PET and TOFPET",

publicado en el libro [MAT-88]: 319-329.
[CHO-90]
E.S.Chomoboy, C.J.Chen, M.I.Miller, T.R.Miller, D.L.Snyder. "An Evaluation of Mximum

Likelihood Reconstruction for SPECT", IEEE Trans Med Imag, 9: 99-110, (1990).
[COA-91]
K.J Coakley. "A Cross-Validation Procedure for Stopping the EM Algorithm and
Deconvolution of Neutrn Depth Profile Spectra", IEEE Trans Nuc Sci, 38: 9-15, (1991).
Reconstruction
firom
Bibliografa
pg
iii
[COO-92]
J.A.Cooper, P.H.Neumann, B.K.McCandless. "Efect of Patien Motion on Tomographic

Myocardial Perfusin Imaging", JNucl Med, 33: 1566-1571, (1992).
[CRO-95]
B.Y.Croft, B.M.W.Tsui. "Nuclear Medicine", Publicado en el libro "The Biomedical

Engineering Handbook", J.D.Bronzino (Edt), CRC Press and IEEE Press, Florida, 1995.
[CUA-81 ]
C.M.Cuadras. "Mtodos de Anlisis Multivariante", Ed. Eunibar, Barcelona, 1981.
[CUA-96]
C.M.Cuadras, B.Echeverra, J.Mateo, P.Snchez. "Fundamentos de Estadstica. Aplicaciones a

las Ciencias Humanas", EUB.S.L. Barcelona, 1996.
[DAV-83]
Davison. "The Ill-Conditioned Nature of the Limited Angle Tomography Problem", SIAM J
Appl Math, 43: 428-448 (1983).
[DEB-88]
M.De Belder. "The Evaluation of Image Processing Algorithms for Use in Medical Imaging",
[DEF-88]
M.Defrise. "Possible Gritera for Choosing the Number of Iterations in Some Iterative
Reconstruction Methods", publicado en el libro [MAT-88]: 293-303.
[DEM-77a]
A.P.Dempster, N.M.Laird, D.B.Rubn. "Mximum Likelihood from Incomplete Data va the

EM Algorithm", J/foy Statist Soc B, 39: 1-38, (1977).
[DEM-77b]
B.P.Deminovich, I.A.Maron. "Clculo Numrico Fundamental", Ed Paraninfo, Madrid, 1977.
[DEM-89]
G.Demoment. "Image Reconstruction and Restoration: Overview of Common Estimation

Structures and Problems", IEEE Trans Acoust Speech Signal Process, ASSP-37: 2024-2036,
(1989).
[DEP-9I]
A.R.De Pierro. "Multiplicative Iterative Methods in Computed Tomography", publicado en el

libro [MAT-91]: 167-186.
[DEV-90]
D.J.de Vries, S.C.Moore, R.E.Zimmerman, S.P.Mueller, B.Friedland, R.C.Lanza.

"Development and Validation of a Monte Cario Simulation of Photon Transport in an Anger
Camera", IEEE Trans Medimag, 9: 430-438, (1990).
[DOM-80]
F.M.Domenech-Torn, J.Setoain, P.Galofr y otros. "Medicina Nuclear. Aplicaciones

Diagnsticas de los Istopos Radiactivos", Monografas Mdicas, Editorial Cientfico-Mdica,
Barcelona, 1980.
[DUT-80]
J.Dutreix, A. Desgrez, B.Bok, C.Chevalier. "Fsica y Biofsica: Radiaciones", Editorial AC,

Madrid, 1980.
[ELF-91]
T.Elfving. "Constrained Regularized Least Squares Problems", publicado en el libro [MAT91]: 153-166.
[ENG-86]
R.English, S.Brown. "SPECT, Single-Photon Emission Computed Tomography: a Primer",

The Society of Nuclear Medicine, New York, 1986.
[FAL-93]
C. Falcn, X. Llovet, I. Juvells, D. Ros, J. Pava. "Efecto de la prdida de informacin angular

en la reconstruccin de imgenes de SPECT", XXIV Reunin Bienal de la Real Sociedad
Espaola de Fsica. Jaca, 27 Septiembre-1 Octubre, 1993. Publicado en el libro de Actas del
Congreso.
Bibliografa
pg iv
[FAL-94a]
C.Falcn, D.Ros, I.Juvells, J.Pava. "Relaxation Parameters in SPECT Iterative Reconstruction

Algorithms", European Association of Nuclear Medicine Congress 1994. Dusseldorf, 20-24
Agosto, 1994. Publicado en EurJNucl Med, 21: 872, (1994).
[FAL-94b]
C.Falcn, D.Ros, I.Juvells, J.Pava. "Tcnicas eficientes de reconstruccin algebraica en

SPECT", IV Reunin Nacional de ptica, Granada, 14-16 Septiembre, 1994. Publicado en el
libro de Actas del Congreso, pg 31-32.
[FAL-95a]
C.Falcn, D.Ros, I.Juvells, J.Pava. "Algoritmes iteratius aplicats a la reconstrucci d'imatges

gammagrfques d'SPECT", XI Trobades Cientfques de la Mediterrnia. L'Optica cap a l'any
2000, Ma, 13-15 Septiembre, 1995. Publicado en el libro de Actas del Congreso, pg 81-84.
[FAL-95b]
C.Falcn, D.Ros, I.Juvells, J.Pava. "Mtodos Algebraicos de Reconstruccin Tomogrfica en

SPECT. Influencia del nmero de iteraciones", XIII Congreso anual de la Agrupacin
Espaola de Bioingeniera, Barcelona, 26-27 Octubre, 1995. Publicado en el libro de Actas del
Congreso, pg 31-32.
[FAL-96]
C. Falcn, D. Ros, 1. Juvells, J. Pava. "Image Quality in SPECT. Comparison of Iterative

Algorihms Using Figures of Merit", European Association of Nuclear Medicine Congress
1996, Copenhagen, 14-18 September, 1996. Publicado en EurJNuclMed, 23: 1241, (1996).
[FAL-97]
C. Falcn, D. Ros, I. Juvells, J. Pava. "A Cross-Validation Stopping Rule for Accelerated
Mximum Likelihood Estimation Reconstruction Algorithms in SPET", World Congress on
Medical Physics and Biomedical Engineering, Nice, 14-19 Septiembre, 1997. Publicado en
Med Biol Eng Comput, 35, supplement part 2: 811 (1997).
[FAL-98]
C.Falcn, I.Juvells, J.Pava, D.Ros. "Evaluation of a Cross-Validation Stopping Rule in MLE

SPECT Reconstruction", Phys Med Biol, 43: 1271-1283, (1998).
[FAL-99a]
C.Falcn, D.Fuster, I.Juvells, D.Ros, J.Pava. "Assessment of the OS-EM Iterative Algorithm
in the Quantifcation of the Relative Uptake of Hot Spots. A Simulation Study", European
Associafion of Nuclear Medicine Congress 1999, Barcelona, 9-12 Octubre, 1999.
[FAL-99b]
C.Falcn, I.Juvells, J.Pava, D.Ros. "Correcci d'Atenuaci i PSF amb el Mtode de Chang
Iteratiu a les Imatges d'SPECT Reconstrudes amb Retroprojecci Filtrada", XV Trobades
Cientfques de la Mediterrnia. Jornades de Recerca en Biofsica i Bioenginyeria: Noves
Tecnologies a Medicina, Ma, 20-22 Setembre, 1999.
[FAL-99C]
C.Falcn, I.Juvells, J.Pava, D.Ros. "OS-EM in SPECT Reconstruction, Assessment of the

Image Quality as a Function of the Number of Subsets", Phys Med B/o/,(sometido)
[FAR-90]
A.Faridani. "An Application of a Multidimensional Sampling Theorem to Computed

Tomography", publicado en el libro "Integral Geomery and Tomography. Proceedings of a
Joint Summer Research Conference, held June 24-30 1989", E.Grinberg, E.T.Quinto (Eds.),
Contemporany Mathematics 113, American Mathematical Society, Providence, 1990.
[FES-92]
J.A.Fessler, N.H.Clinthorne, W.L.Rogers. "Regularized Emission Image Reconstruction Using

Imperfect Side Informafion", IEEE Trans Nuc Sci, 39: 1464-1471, (1992).
[FLE-90]
H.E.Fleming. "Equivalence of Regularization and Truncated Iteration in Solution of lU-Posed

Image Reconstruction Problems", Linear Algebra Appl, 130: 133-150, (1990).
Bibliografa
pg v
[FLO-84]
C.E.Floyd, R.J.Jaszczak, C.C.Harris, R.E.Coleman, "Energy and Spatial Distribution of

Mltiple Order Compton Scatter in SPECT: a Monte Cario Investigation ", Phys Med Biol, 29.
n 10: 1217-1230,(1984)
[FLO-85]
C.E.Floyd, R.J.Jaszczak, K.L.Greer, R.E.Coleman. "Deconvolution of Compton Scatter in

SPECT", JA'mc/ Med, 26: 403-408, (1985).
[FOR-89]
A.R.Formiconi, A.Pupi, A.Passeri, "Compensation of Spatial System Response in SPECT with

Conjgate Gradient Reconstruction Technique", Phys Med Biol, 34: 69-84, (1989).
[FRE-84]
"Freeman and Johnson's Clinical Radionuclide Imaging" (3" edicin). L.M.Freeman (Ed.),
Grue & Stratton Inc, Orlando, 1984.
[FRE-90]
E.C.Frey, B.M.W.Tsui. "Parameterization of the Scatter Response Function in SPECT Imaging

Using Monte Cario Simulation", IEEE Trans Nuc Sci, 37: 1308-1315, (1990).
[FRE-91]
E.C.Frey, B.M.W.Tsui. "Spatial Properties of Scatter Response Function in SPECT", IEEE

Trans Nuc Sci, 38: 789-794, (1991).
[FRE-93]
E.C.Frey, Z.W.Ju, B.M.W.Tsui. "A Fast Projector-Backprojector Pair Modeling the

Asymmetric, Spatially Varying Scatter Response Function for Scatter Compensation in SPECT
Imaging", IEEE Trans Nuc Sci, NS-40: 1192-1197, (1993).
[GEL-88]
M.J.Gelfand, S.R.Thomas. "Efective Use of Computers in Nuclear Medicine", McGraw-Hill,

New York, 1988.
[GEM-84]
S.Geman, D.Geman. "Stochastic Relaxation, Gibbs Distributions and the Bayesian Restoration
of Images", IEEE Trans Pattern Anal and Machine Intell, PAMI-6: 712-741,(1984).
[GIL-72]
P.Gilbert. "Iterative Methods for the Three-Dimensional Reconstruction of an Object from

Projections", J Theor Biol, 36: 105-117, (1972).
[GIL-91]
D.R.Guillabd, R.J.Jazczak, T.G.Turkington, K.L.Greer, R.E.Coleman. "Quantitative SPECT

Imaging With Indium-111", IEEE Trans Nuc Sci, 38: 761-766, (1991).
[GLI-91]
S.J.Glick, B.C.Penney, M.A.King. "Filtering of SPECT Reconstructions Made Using Bellini's

Attenuation Correction Method: a Comparison of Three Pre-Reconstruction Filters and PostReconstruction Wiener Filter", IEEE Trans Nuc Sci, 38: 663-669, (1991).
[GOL-89]
G.H.Golub, C.F.Van Loan. "Matrix Computations" (second edition). Johns Hopkins University
Press, London, 1989.
[GON-77]
R.C.Gonzlez, P.Wintz. "Digital Image Processing", Addison-Wesley, Massachusetts, 1977.
[GOR-70]
R.Gordon, R.Bender, G.T.Herman. "Algbrale Reconstruction Techniques (ART) for ThreeDimensional Electron Microscopy and X-Ray Photography", J Theor Biol, 29: 471-481,
(1970).
[GOR-74]
R.Gordon, "A Tutorial on ART (Algbrale Reconstruction Techniques)", IEEE Trans Nuc Sci,
NS-21: 78-93, (1974).
[GRE-90]
P.J.Green. "Bayesian Reconstruction from Emission Tomography Data Using a Modified EM

Algorithm", IEEE Trans MedImag, 9: 84-93, (1990).
Bibliografa
pg
vi
[GUA-94]
H.Guan, R.Gordon. "A Projection Access Order for Speedy Convergence of ART (Algebraic
Reconstruction Technique): A Multilevel Scheme for Computed Tomography" Phys Med Biol,
39:2005-2022,(1994).
[GUA-96]
H.Guan, R.Gordon. "Computed Tomography Using Algebraic Reconstruction Techniques

(ARTs) with Different Projection Access Schemes: A Comparation Study under Practical
Situations", Phys Med Biol, 41: 1727-1723, (1996).
[GUI-91]
D.R.Guilland, B.M.W.Tsui, C.E.Metz, R.J.Jaszczak, J.R.Perry. "An Evaluation of Mximum

Likelihood-Expectation Maximization Reconstruction for SPECT by ROC Analysis", J Nuc
Med, 23: 451-457,(1991).
[GUL-81]
G.T.Gullberg, T.F.Budinger. "The Use of Filtering Methods to Compnsate for Constant

Attenuation in Single-Photon Emission Computed Tomography", IEEE Trans Biomed Engin,
BME-28: 142-157,(1981).
[GUL-85]
G.T.Gullberg, R.H.Huesman, J.A.Malko, N.J.Pelc, T.F.Budinger. "An Attenuated ProjectorBackprojector for Iterative SPECT Reconstruction", Ph}>s MedBiol, 30: 799-816, (1985).
[HAN-90]
K.M.Hanson. "Method of Evaluating Image-Recovery

Performance", J Opt Soc Am A, 7: 1294-1304, (1990).
[HAR-84]
C.C.Harris, K.L.Greer, R.J.Jaszczak, C.E.Floyd, E.C.Fearnow, R.E.Coleman. "'""Te

Attenuation Coefficients in Water-Filled Phantoms Determined with Gamma Cameras", Med
P/?;;*, 11:681-685,(1984).
[HEB-88]
T.J.Hebert, R,Leahy, M.Singh. "Fast MLE for SPECT Using an Intermedate Polar
Representation and a Stopping Criterion", IEEE Trans Nuc Sci, 35: 615-619, (1988).
[HEB-90]
T.J.Hebert. "Statistical Stopping Gritera for Iterative Mximum Likelihood Reconstruction of

Emission Images", Phys MedBiol, 35: 1221-1232, (1990).
[HEB-92]
T.J.Hebert, S.S.Gopal. "The GEM MAP Algoritmh with 3 - 0 SPECT System Response", IEEE
Trans Med Imag, 11: 81-90, (1992).
[HEB-94]
T.J.Hebert, S.S.Gopal. "Mximum Likelihood Preprocessing for Improved Filtered BackProjection Reconstruction", JCompwMsi/j Tomogr, 18: 283-291, (1994).
[HER-78]
G.T.Herman, A.Lent, P.H.Lutz. "Relaxation Methods for Image Reconstruction", Comm ACM,
21: 152-158,(1978).
[HER-80]
G.T.Herman. "Image Reconstructions from Projections", Academic Press, New York, 1980.
[HER-87]
G.T.Herman, H.K.Tuy, K.J.Langerberg, P.C.Sabatier. "Basic Metohds of Tomography and

Inverse Problems", Malvern Physics Series, Adam Hilger, Bristol, 1987.
[HER-88]
G.T.Herman, H.Levkowitz. "Initial Performance of

Algorithms", publicado en el libro [MAT-88]: 305-317.
[HER-89]
G.T.Herman, D.Yeung. "Evaluators of Image Reconstruction Algorithms", Int J Imag Syst

Tech, 1: 187-195,(1989).
[HER-90]
A.O.Hero, L.Shao. "Information Analysis of Single Photon Emission Computed Tomography

with Count Losses", IEEE Trans Med Imag, 9: 117-127, (1990).
Algorithms
Block-Iterative
Based
on
Task
Reconstruction
Bibliografa
pg
vil
[HER-91a]
G.T.Herman, D.Odhner. "Performance Evaluation of an Iterative Image Reconstruction

Algorithm for Positrn Emission Tomography", IEEE Trans Med Imag, 10: 336-346, (1991).
[HER-91b]
G.T.Herman, D.Odhner. "Evaluation of Reconstruction Algorithms", publicado en el libro

[MAT-91]: 215-228.
[HER-93]
G.T.Herman,
L.B.Meyer.
"Algbrale Reconstruction Techniques
Computationally Efficient", IEEE Trans Med Imag, 12: 600-609, (1993).
[HIG-97]
D.M.Higdon, J.E.Browser, V.E.Johnson, T.G.Turkington, D.R.Gilland, R.J.Jaszczak. "Fully

Bayesian Estimation of Gibbs Hiperparameters for Emission Computed Tomography Data",
IEEE Trans Med Imag, 16: 516-526, (1997).
[HUD-94]
H.M.Hudson, R.S.Larkin. "Accelerated Image Reconstruction Using Ordered Subsets

Projection Data", IEEE Trans Med Imag, 13: 601-609, (1994).
[HUT-97]
B.F.Hutton, H.M.Hudson, F.J.Beekman. "A Clinical Prespective of Accelered Statitical

Reconstruction", Eur JNucl Med, 24: 797-808, (1997).
[INO-89]
T.Inouye, K.Kose, A.Hasegawa. "Image Reconstruction Algorithm for Single-Photon

Emission Computed Tomography with Uniform Attenuatiomn", Phys Med Biol, 34: 299-304,
(1989).
[rNV-86]
can
be
made
"Inverse Problems. Lectures Giren at the Ist 1986 Session of the CIME Held at Montecatini
Terme, Italy, May 28- JuneS, 1986", A.Dold, B.Eckmann (Eds), Lecture Notes in Mathematics
1225, Ed. Springer-Verlag, Berlin, 1986.
[JAF-90]
J.S.Jaffe. "Limited Angle Reconstruction Using Stabilized Algorithms", IEEE Trans Med
Imag, 9: 338-344, (1990).
[JAS-80]
R.J.Jaszczak, R.E.Coleman, C.B.Lim. "Single Photon Emission Computed Tomography

(SPECT); History and Physical Attributes", IEEE Trans Nuc Sci, NS-27: 1137-1153, (1980).
[JAS-84]
R.J.Jaszczak, K.J.Greer, C.E.Floyd, C.C.Harris, R.E.Coleman. "Improved SPECT

Quantification Using Compensation for Scatter Photons", J A^mc/Me/, 25: 893-900, (1984).
[JAS-85]
R.J.Jaszczak, C.E.Floyd, R.E.Coleman. "Scatter Compensation Techniques for SPECT", IEEE

Trans Nuc Sci, NS-32: 786-793, (1985).
[JER-77]
A.J.Jerri. "The Shannon Sampling Theorem-Its Various Extensions and Applications: A

Tutorial Review", Proc IEEE, 65: 1565-1596, (1977).
[JOY-84]
L.S.Joyce, W.L.Root. "Precisin Bound in Superresoiution Processing", J Opt Soc Am A, 1:

149-168,(1984).
[JUV-94]
I.Juvells, C.Falcn, D.Ros, J.Pava, A.Garca. "Correccin de las degradaciones producidas por
la atenuacin, la dispersin y la respuesta del detector en imgenes de SPECT", IV Reunin
Nacional de ptica, Granada, 14-16 Septiembre, 1994. Publicado en el libro de Actas del
Congreso, pg 15-16.
[JUV-97a]
I. Juvells, C. Falcn, J. Pava, D. Ros. "Assessment of the Image Quality in Ordered Subsets
SPET Reconstrution", European Association of Nuclear Medicine Congress 1997, Glasgow,
23-27 Agost, 1997. Publicado en Eur JNucl Med, 24: 1036, (1997).
Bibliografa
P^S vn'/
[JUV-97b]
I.Juvells, C.Falcn, D. Ros, J.Pava. "Reconstruccin de imgenes de SPECT por mxima

verosimilitud. Comparacin de algoritmos de aceleracin", V Reunin Nacional de ptica.
Valencia, 16-18 Septiembre, 1997. Publicado en el libro de Actas del Congreso, pg 139-140.
[KAK-84]
A.C.Kak, "Image Reconstruction from Projections", publicado en el libro "Digital Image

Processing Techniques", M.P. Ekstrom (Ed), Academic Press, Orlando, 1984: 111-170.
[KAM-96a]
C.Kamphuis, F.J.Beekman, M.A.Viergever. "Evaluation of OS-EM versus ML-EM for ID, 2D

and Fully 3D SPECT Reconstruction", IEEE Trans Nuc Sci, 43: 2018-2024, (1996).
[KAM-96b]
C.Kamphuis, F.J.Beekman, M.A.Viergever. "Accelerated Fully -D SPECT Reconstruction

Using Dual Matrix Ordered Subsets Strategy", J yvc/ Med, 37: 62P, (1996).
[KAM-98]
C.Kamphuis, F.J.Beekman, P.P.van Rijk, M.A.Viergever. "Dual Matrix Ordered Subsets

Reconstruction for Accelerated 3D Scatter Compensation in Single-Photon Emission
Tomography", EurJNuc Med, 25: 8-18, (1998).
[KAO-98]
C.M.Kao, X.Pan, C.T.Chen. "Image Restoration and Reconstruction with a Bayesian

Approach", Med Phys, 25: 600-612, (1998).
[KAR-90]
N.B.Karayiannis, A.N.Venetsanopoulos. "Regularization Theory in Image Restoration. The

Stabilizing Functional Approach", IEEE Trans Acoust Speech Signal Process, 38: 1155-1179,
(1990).
[KAU-87]
L.Kaufrnan. "Implementing and Accelerating the EM Algorithm for Positrn Emisin

Tomography", IEEE Trans Med Imag, MI-6: 37-51, (1987).
[KAW-85]
S.Kawata, O.Nalgliocu. "Constrained Reconstruction by the Conjgate Gradient Method",

IEEE Trans Med Imag, MI-4: 65-71, (1985).
[KIN-9I]
M.A.King, S.J.Glick, B.C.Penney. "Activity Quantitation in SPECT: A Comparison of Three

Attenuation Correction Methods in Combination With Pre-Reconstruction Restoration
Filtering", IEEE Trans Nuc Sci, 38: 755-760, (1991).
[KrN-92]
M.A.King, G.J.Hademenos, S.J.Glick. "A Dual-Photopeak Window Method for Scatter

Correction", JNucl Med, 33: 605-612, (1992).
[KIN-94]
P.E.Kinahan, J.S.Karp. "Figures of Merit for Comparing Reconstruction Algorithms with a

Volume-Imaging PET Scanner", Phys Med Biol, 39: 631-642, (1994).
[KNO-83]
G.F.Knoll. "Single-Photon Emission Computed Tomography", Proc IEEE, 71: 320-329,

(1983).
[KOL-90]
I.Koltracht, P.Lancaster. "Constraining Strategies for Linear Iterative Processes", IMA J Numer
Anal, 10: 555-567,(1990).
[KOR-88]
K.F.Koral, X.Wang, W.L.Rogers, N.H.Clinthorne, X.Wang. "SPECT Compton-Scattering

Correction by Analysis of Energy Spectra", J A'mc Med, 29: 195-202, (1988).
[LAL-92]
D.S.Lalush, B.M.W.Tsui. " Attenuation and Detector Response Compensations Used with
Gbbs Prior Distributions for Mximum A Posteriori SPECT Reconstruction", IEEE Trans
Nuc Sci, 39: 1454-1459, (1992).
Bibliografa
pg ix
[LAL-94]
D.S.Lalush, B.M.W.Tsui. "Improving the Convergence of Iterative Filterd Backprojection

Algorithms", Med Phys, 21: 1283-1286, (1994).
[LAN-84]
K.Lange, R.Carson. "EM Reconstruction Algorithms for Emission

Tomogxaphy", J Comput Assist Tomogr, 8: 306-316, (1984).
[LAN-87]
K.Lange, M.Bahn, R.Little. "A Theoretical Study of Some Mximum Likelihood Algorithms
for Emission and Transmission Tomography", IEEE Trans Med Imag, MI-6: 106-114 (1987).
[LAN-90]
K.Lange. "Convergence of EM Reconstruction Algorithms with Gibbs Smoothing", IEEE

Trans Med Imag, 9: 439-446 (1990).
[LEV-87]
E.Levitan, G.Hermn. "A Mximum A Posteriori Probability Expectation Maximization

Algorithm for Image Reconstruction in Emission Tomography", IEEE Trans Med Imag, MI-6:
185-192,(1987).
[LEW-83]
R.M.Lewitt. "Reconstruction Algorithms: Transform Methods", Proc IEEE, 71: 390-408,

(1983).
[LEW-86]
R.M.Lewitt, G.Muehllehner. "Accelerated Iterative Reconstruction for Positrn Emission

Tomography Based on the EM Algorithm for Mximum Likelihood Estimation", IEEE Trans
Med Imag, 5: 16-22,(1986).
[LI-94]
J.Li, R.J.Jaszczak, K.L.Greer, R.E.Coleman. "Implementation of an Accelerated Algorithm for

Cone Beam SPECT", Phys MedBiol, 39: 643-653, (1994).
[LIA-89]
Z.Liang, R.Jaszczak, K.Greer. "On Bayesian Image Reconstruction from Projections: Uniform
and Nonuniform A Priori Source Information", IEEE Trans Med Imag, MI-8: 227-235,
(1989).
[LIA-91]
Z.Liang. "Implementation of Linear Filters for Iterative Penalized Mximum Likelihood

SPECT Reconstruction",/rrara7VMc/5c/, 38: 606-611, (1991).
[LIA-92]
Z.Liang,
T.G.Turkington,
D.R.Gilland,
R.J.Jaszczak,
R.E.Coleman.
"Simultaneous
Compensation for Attenuation, Scatter and Detector Response for SPECT Reconstruction in
Three Dimensions", Phys MedBiol, 37: 487-603, (1992).
[LIA-93]
Z.Liang. "Compensation for Attenuation, Scatter and Detector Response

recontruction via iterative FBP Methods", Med Phys, 20: 1097-1106, (1993).
[LIE-93]
S.C.Liew, B.H.Hasegawa, J.K.Brown, T.F.Lang. "Noise Propagation in SPECT Images

Reconstructed Using an Iterative Maximum-Likelihood Algorithm", Phys Med Biol, 38: 17131726,(1993).
[LIN-91]
J.M.Links, T.L.Frank, L.C.Becker. "Efect of Differential Tracer Washout During SPECT

Acquisition", JA^Mc/Afe/, 32: 2353-2357, (1991).
[LIU-96]
Y.H.Liu, A.J.Sinusas, J.A.Browne, F.J.Wackers. "Accelered SPECT Image Reconstruction

Using a Modified Ordered Subsets Expectation Maximization method: a Fast Line Search
Strategy", JNuc Med, 37: 62P, (1996).
[LJU-89]
M.Ljungberg, S.E.Strand. "A Monte Cario Program for the Simulation of Scintillation Camera
Characteristics", Computer Methods and Programs in Biomedicine, 29: 257-272, (1989).
and Transmission
in SPECT
Bibliografa
pg
[LJU-90a]
M.Ljungberg, P.Msaki, S.E.Strand. "Comparison of Dual-Window and Convolution Scatter

Correction Tecliniques Using Monte Cario Methods", Phys Med Biol, 35: 1099-1110, (1990).
[LJU-90b]
M.Ljungberg, S.E.Strand. "Attenuation Correction in SPECT Based on Transmission Studies

and Monte Cario Simulations of Build-Up Functions", JNucl Med, 31: 493-500, (1990).
[LLA-a]
J.Llacer. "Image Reconstruction in the Sciences and Industry: The State of the Art", Lawrence
Berkeley Laboratory. University of California, (comunicacin interna, documento no
publicado).
[LLA-b]
J.Llacer, E.Veklerov, K.J.Coakley, E.J.Hoffman, J.Nez. "Optimization of Mximum

Likelihood Estimator Images for PET: I. Algorithm Implementation", Lawrence Berkeley
Laboratory. University of California, (comunicacin interna, documento no publicado).
[LLA-82]
J.Llacer. "Tomographic Image Reconstruction by Eigenvector Decomposition: Its Limitations

and reas of Applicability", IEEE Trans Med Imag, MI-1: 34-42, (1982).
[LLA-89]
J.Llacer, E.Veklerov. "Feasible Images and Practical Stopping Rules for Iterative Algorithms
in Emission Tomography", IEEE Trans Med Imag, 8: 186-193, (1989).
[LLA-90]
J.Llacer. "On the Validity of Hypothesis Testing for Feasibility of Image Reconstruction",
[LLA-93]
J.Llacer, E.Veklerov, K.J.Coakley, E.J.Hoffman, J.Nez. "Statistical Analysis of Mximum

Lilelihood Estimator Images of Human Brain FDG PET Studies", IEEE Trans Med Imag, 12:
215-231,(1993).
[LLO-93]
X. Llovet, C. Falcn, D. Ros, 1. Juvells, J. Pava. "Algoritmos iterativos de reconstruccin

tomogrfica en SPECT. Determinacin del nmero de iteraciones a partir de la optimizacin
de la relacin seal/ruido de las imgenes", XXIV Reunin Bienal de la Real Sociedad
Espaola de Fsica, Jaca, 27 Septiembre-1 Octubre, 1993. Publicado en el libro de Actas del
Congreso.
[LOG-75]
B.F.Logan. "The Uncertainty Principie in Reconstructing Functions from Projections" Duke
MathJ, 42: 661-706, (1975).

[LOU-81]
A.K.Louis. "Ghosts in Tomography. The Nuil Space of Radon Transform", Math Meth in Appl
Sc,2: 1-10,(1981).
[LOU-83]
A.K.Louis, F.Natterer. "Mathematical Problems of Computes Tomography" Proa IEEE, 71:

379-389, (1983).
[MAD-91]
W.R.Madych. "Image Reconstruction in Hilbert Space", publicado en el libro [MAT-91]: 1545.
[MAE-88]
G.Maess. "Projection Methods Solving Rectangular Systems of Linear Equations", J Comput

Appl Math, 24: 107-119, (1988).
[MAI-83]
M.Maisey. "Medicina Nuclear. Aspectos Clnicos", Ediciones Doyma, Barcelona, 1983.
[MAN-87]
S.H.Manglos, R.J.Jaszczak, C.E.Floyd, L.J.Hahn, K.L.Greer, E.Coleman. "Nonisotropic

Attenuation in SPECT: Phantom Test of Quantitative Effects and Compensation Techniques",
JNuclMed,28: 1584-1591,(1987).
Bibliografa
pg
xi
[MAN-88a]
S.H.Manglos, R.J.Jaszczak, C.E.Floyd. "Weighted Backprojection Implemented with a NonUniform Attenuation Map for Improved SPECT Quantitation", IEEE Trans Nuc Sci, 35: 625628, (1988).
[MAN-88b]
S.H.Manglos, R.J.Jaszczak, C.E.Floyd, L.J.Hahn, K.L.Greer, E.Coleman. "A Quantitative

Comparison of Attenuation-Weighted Backprojection with Multiplicative and Iterative
Postprocessing Attenuation Compensation in SPECT", IEEE Trans Med Imag, 7: 127-134,
(1988).
[MAN-95]
S.H.Manglos, G.M.Gagne, A.Krol, F.D.Thomas, R.Narayanaswamy. "Transmission MaximunLikelihood Reconstruction with Ordered Subsets for Cone Beam CT", Phys Med Biol, 40:
1225-1241,(1995).
[MAR-90]
C.P.Mariadassou, B.Yegnanarayana. "Image Reconstruction from Noisy digital Holograms",

IEEE Proc, 137. Pt F: 351-356, (1990).
[MAS-89]
J.Mas, R.B.Younes, R.Bidet. "Improvement of Quantification in SPECT Studies by Scatter

and Attenuation Compensation", Eur JNucl Med, 15: 351-356, (1989).
[MAT-57]
R.L.Mather. "Gamma-Ray Collimator Penetration and Scattering Effects", J Appl Phys, 28:
1200-1207,(1957).
[MAT-88]
"Mathematics and Computer Science in Medical Imaging", Proceedings of the NATO

Advanced Study Institute on Mathematics and Computer Science in Medical Imaging, held in
Ciocco, Italy, September 21-October 4, 1986. M.A.Viergever, A.Todd-Pokropek (Eds). NATO
ASI Series F39, Springer-Verlag, Berlin, 1988.
[MAT-91]
"Matematical Methods in Tomography. Proceedings of a Conference held in Oberwolfach,

Germany, 5-11 June, 1990", G.T.Herman, A.K.Louis, F.Natterer (Eds). Lecture Notes in
Mathematics 1497, Ed. Springer-Verlag, Berlin, 1991.
[MAZ-93]
A.Maze, J.Le Cloirec, Y.Bizais, P.Briandet, P.Bourget. "Iterative Reconstruction Methods for
Nonuniform Attenuation Distribution in SPECT", J.Nucl Med, 34: 1204-1209, (1993).
[MET-80]
C.E.Metz, F.B.Atkins, R.N.Beck. "The Geometric Transfer Function Component for

Scintillantion Camera Collimators with Straight Parallel Holes", Phys Med Biol, 25: 10591070, (1980).
[MET-86]
F.A.Mettler Jr, M.J.Guibertau. "Essentials of Nuclear Medicine Imaging" (2" edicin). Grue
& Stratton Inc, Orlando, 1986.
[MILL-85]
M.I.Miller, D.L.Snyder, T.R.Miller. "Mximum Likelihood Reconstruction for Single-Photon

Emission Computed-Tomography", IEEE Trans Nuc Sci, NS-32: 769-778, (1985).
[MILL-92]
T.R.Miller, J.W.Wallis. "Clinically Important Characteristics

Reconstruction", JTVmc/Mec 33: 1678-1684, (1992).
[MrN-87]
K.Minato, YN.Tang, G.W.Bennett, A.B.Brill. "Automatic Contour Detection Using a 'FixedPoint Hachimura-Kuwahara Filter' for SPECT Attenuation Correction", IEEE Trans Med
/mag, MI-6: 126-133,(1987).
[MOH-88]
A.Mohammad-Djafari, G.Demoment. "Mximum Entropy Reconstruction in X-Ray and

Diffraction Tomography", IEEE Trans Med Imag, MI-7: 345-354, (1988).
of
Maximum-Likelihood
Bibliografa
pg
xii
[MSA-87]
P.Msaki, B.Axelsson, C.Dahl, S.A.Larsson. "Generalitzed Scatter Correction in SPECT Using

Point Scatter Distribution Functions", JNucl Med, 28: 1861-1969, (1987).
[MSA-89]
P.Msaki, B.Axelsson, S.A.Larsson. "Some Physical Factors Influencing the Accuracy of

Convolution Scatter Correction in SPECT", Phys MedBiol, 34: 283-298, (1989).
[ML-96]
M.MIler, G.R.Arce. "Truncation Artifacts

Projections", Appl Opt, 35: 3902-3914, (1996).
[MUR-93]
K.Murase, S.Tanada, T.Inoue, Y.Sugawara, K.Hamamoto. "Improvement of Brain Single

Photon Emission Tomography (SPET) Using Transmission Data Adquisition in Four-Head
SPET Scanner", Eur JNucl Med, 20: 32-38, (1993).
[MUR-94]
K.Murase, S.Tanada, Y.Sugawara, W.N.Tauxe, K.Hamamoto. "An Evaluation of the

Accelerated Expectation Maximization Algorithms for Single-Photon Emission Tomography
Image Reconstruction", Eur JNucl Med, 21: 597-603, (1994).
[NAT-86]
F.Natterer. "Numrica Treatment of Ill-Posed Problems", publicado en el libro [INV-86]: 142167.
[NAT-88]
F.Natterer. "Regularization Techniques in Medical Imaging", publicado en el libro [MAT-88]:

127-141.
[NEL-65]
J.A.Nelder, R.Mead "A Simplex Method for Function Minimization", Computer Journal, 7:
308-313,(1965).
[NU-90]
J.Nuftez, J.Llacer. " A Fast Reconstruction Algorithm for Emission Tomography with Entropy
Prior Converging Feasible Images", IEEE Trans Med Imag, MI-9: 159-171, (1990).
[NU-91]
J.Nez, J.Llacer. "Mximum Likelihood Estimator and Bayesian Reconstruction Algorithms

with Likelihood Cross-Validation", First Annual Conference on Astronmica! Data Analysis
Software and Systems, Tucson, Arizona, November 6-8, 1991.
[OGA-84]
K.Ogawa. M.Nakajima, S.Yuta. "A Reconstruction Algorithm from Truncated Proyections"

[OPP-89]
B.E. Oppenheim, C. Applendorn. "Efective use of Computers in Nuclear Medicine",

M.J.Geldfand and S.R.Thomas (ed.), McGraw-Hill, New York, 1988.
[OSK-88]
P.Oskoui-Fard, H.Stark. "Tomographic Image Reconstruction Using the Theory of Convex

Projections", IEEE Trans Med Imag, MI-1: 45-58, (1988).
[PAN-91]
T.S.Pan, A.E.Yagle. "Numrica! Stuy of Multigrid Implementations of Some Iterative Image

Reconstruction Algorithms", IEEE Trans Med Imag, 10: 572-588, (1991).
[PAN-93]
X.Pan, W.H.Wong, CT.Chen, J.Liu. "Correction for Photon Attenuation in SPECT: Analytica!
Framework, Average Attenuation Factors and a New Hybrid Approach", Phys Med Biol, 38:
1219-1234,(1993).
[PAN-96]
X.Pan, C.E,Metz, CT.Chen. "A Class of Analytica! Methods That Compnsate for Attenuation
and Spatially-Variant Resolution in 2D SPECT", IEEE Trans Nuc Sci, 43: 2244-2254, (1996).
in
Tomographic
Reconstructions
from
Bibliografa
pg
xiii
[PHY-87]
"Physics and Engineering of Medical Imaging", Proceeding of the NATO Advanced Study
Institute on Physics and Engineering of Medical Imaging, Maratea, Italy, 23 September-5
October, 1984. R.Guzzardi (Ed), Martinus Mijhoff Publishers, Dordrecht, 1987.
[PLA-90]
R.Plato, G.Vainikko. "On the Regularization of Projection Methods for Solving Ill-Posed
Problems", Numer Math, 57: 63-79, (1990).
[PRA-76]
W.K.Pratt. "Digital Image Processing", John Wiley & Sons, New York, 1978.
[PRE-92]
W.H.Press, S.A.Teukolsky, W.T.Vetterling, B.P.FIannery. "Numerical Recipes in C: The Art

ofScientific Computing" (Second Edition), Cambridge University Press, Cambridge, 1992.
[PUC-97]
R.Puchal. "Filtros de Imagen en Medicina Nuclear", Ediciones Eurobook S.L., Madrid, 1997.
[RAD-86]
J.Radon. "On the Determination of Functions from their Integris Vales along Certain
Manifolds", IEEE Trans Med Imag, MI-5: 170-176, (1986). Traduccin al ingls del artculo
original de J.Radon "ber die Biestimmung von Funktionen durch irhe Integralwerte Langs
gewisser Mannigfaltigkeiten", Berichte Saechsische Akademie der Wissenschaften, 69: 262277,(1917).
[RIO-74]
S.Rios. "Mtodos Estadisitcos", Ed del Castillo, Madrid, 1974.
[ROC-76]
A.J.Rockmore, A.Macovski. "A Mximum Likelihood Approach to Emmision

Reconstruction from Projections", IEEE Trans Nuc Sci, NS-23: 1428-1432, (1976).
[ROS-90]
M.S.Rosenthal, L.J.Henry. "Scattering in Uniform Media", Phys Med Biol, 35: 265-274,
(1990).
[ROS-93]
D.Ros, I. Juvells, J. Pava, X. Llovet, C. Falcn, A. Garca. "Quantificaci d'imatges de

SPECT", 9 Trobades Cientfiques de la Mediterrnia, Ma, 22-24 Septiembre, 1993.
[ROS-95a]
M.S.Rosenthal, J.Cullom, W.Hawkins, S.C.Moore, B.M.W.Tsui, M.Yester. "Quantitative

SPECT Imaging: A Review and Recommendations by the Focus Committee of the Society of
Nuclear Medicine Computer and Instrumentation Council", J Nuc Med, 36: 1489-1513,
(1995).
[ROS-95b]
D.Ros, I.Juvells, J.Pava, C.Falcn. "Tcniques de Reconstrucci d'imatges en SPECT" Rev

CaFw, 8: 15-22,(1995).
[ROS-96]
D.Ros, C.Falcn, I.Juvells, J.Pava. "The Influence of a Relaxation Parameter on SPECT

Iterative Reconstruction Algorithms", Phys Med Biol, 41: 925-37, (1996).
[ROS-98]
D.Ros, C.Falcn, I.Juvells, J.Pava. "A Cross-Validation Stopping Rule for Ordered Subsets
Reconstruction Algorithms in SPET" European Association of Nuclear Medicine Congress
1998, Berlin, 30 August -4 September, 1998. Publicado en Eur JNucl Med, 25: 1144, (1998).
[SCH-93]
P.Schmidlin, H.Ostertag, W.J.Lorenz. "Speeding Iterative Reconstruction in Nuclear Medical

Imaging", ZMedPhys, 3: 190-195, (1993).
[SEZ-82]
M.I.Sezan, H.Stark. "Image Restoration by the Method of Convex Projections: Part 2Applications and Numerical Results", IEEE Trans Med Imag MI-1: 95-101, (1982).
[SEZ-83]
M.I.Sezan, H.Stark. "Image Restoration by Convex Projections in the Presence of Noise", Appl
Opt, 22: 2781-2789,(1983).
Image
Bibliografa
pg
xiv
[SEZ-84]
M.I.Sezan, H.Stark. "Tomographyc Image Reconstruction from Incomplete View Data by

Convex Projections and Direct Fourier Inversin", IEEE Trans Med Imag, MI-3: 91-98,
(1984).
[SEZ-92]
M.I.Sezan. "An Overview of Convex Projections Theory and its Application to Image
Recovery Problems", Ultramicroscopy, 40: 55-67, (1992).
[SHE-74]
L.A.Shepp, B.F.Logan. "The Fourier Reconstruction of a Head Section", IEEE Trans Nuc Sci,
NS-21: 21-34,(1974).
[SHE-82]
L.A.Shepp, Y.Vardi. "Mximum Likelihood Reconstruction for Emission Tomography", IEEE

Trans Med Imag, MI-1: 113-122, (1982).
[SID-85]
R.L.Siddon. "Fast Calculation of the Exact Radiological Path for a Three-Dimensional CT

Array", Med Phys, 12: 252-255, (1985).
[SIL-90]
B.W.Silverman, M.C.Jones, D.W.Nychka. "A Smoothed EM Approach to Indirect Estimation

Problems, With Particular Reference to Stereology and Emission Tomography", J R Statist
Soc, 52: 271-324, (1990).
[SIN-88]
M.Singh, M.Horne, D.Maneval, J.Amartey, R.Brechner. "Non-Uniform Attenuation and

Scatter Correction in SPECT", IEEE Trans Nuc Sci, 35: 767-771, (1988).
[SMI-73]
P.R.Smith, T.M.Peters, R.H.T.Bates. "Image Reconstruction

Projections", JP/zy A: Nuc Gen, 6: 361-382, (1973).
[SMI-77]
K.T.Smith, D.C.Solmon, S.L.Wagner. "Practical and Mathematical Aspects of the Problem of

Reconstructing Objects from Radiographs", BullAmer Math Soc, 83: 1227-1270, (1977).
[SMI-97]
R.J.Smith, J.S.Karps, G.Muehllehner, E.Gualtieri, F.Bernard. "Singles Transmission Scans

Performed Postr-Injection for Quantitative Whole Body PET Imaging", IEEE Trans Nuc Sci,
NS-35: 1329-1335,(1997).
[SNY-85]
D.L.Snyder, M.I.Miller. "The Use of Sieves to Stabilize Images Produced with the EM
Algorithm for Emission Tomography", IEEE Trans Nuc Sci, NS-32: 3864-3872, (1985).
[SNY-87]
D.L.Snyder, M.I.Miller, L.J.Thomas, D.G.Politte. "Noise and Edge Artifacts in MaximumLikelihood Reconstruction for Emission Tomography", IEEE Trans Med Imag, MI-6: 228238,(1987).
[STA-88]
J.A.Stamos, W.L.Rogers, N.H.Clinthorne, K.F.Koral. "Object-Dependent Performance

Comparation of Two Iterative Reconstruction Algorithms", IEEE Trans Nuc Sci, 35: 611-614,
(1988).
[STA-89]
H.Stark, P.Oskoui. "High Resolution Imagen Recovery from Image-Plane Arrays, Using
Convex Projections", JOp Soc ^ , 7 7 ^ , 6: 1715-1726, (1989).
[STR-74]
O.N.Strand. "Theory and Methos Related to the Singular Function Expansin and the
Landweber's Iteration for Integral Equations of the First Kind", SIAM J Numer Anal, 11: 798825,(1974).
[TAM-81]
K.C.Tam, V.Prez-Mndez. "Tomographical Imaging with Limited-Angle Input", J Opt Soc

Am, 71: 582-592,(1981).
from
Finite Number of
Bibliografa
pg
xv
[TAN-86]
E.Tanaka, N.Nohara, T.Tomitani, M.Yamamoto. "Utilization of Non-Negativity Constrains in

Reconstruction of Emission Tomograms", publicado en el libro "Information Processing in
Medical Imaging", S.L.Bacharach (Ed), Martinus Nijhoff Publishers, Dordrecht, 1986: 379393.
[TAN-87]
E.Tanaka. "A Fast Reconstruction Algorithm for Stationary Positrn Emission Tomography
Based on a Modified EM Algorithm", IEEE Trans Med Imag, MI-6: 98-105 (1987).
[TER-80]
M.M.Ter-Pogossian, M.E.Raichle, B.E.Sobel. "Tomografa de Emisin de Positrones",

Investigacin y Ciencia. 51:88-101,(1980).
[TIH-63]
A.N.Tihonov. "Solution of Incorrectly Formulated Problems and the Regularization Method",

Sov Math Dokl. 4: 1035-1038, (1963).
[TIK-74]
A.Tikhonov, V.Arsnine. "Mtodes de Rsolution de Problmes Mal Poses", Ediciones Mir,

Mosc, 1974.
[TIT-85]
D.M.Titterington. "General Structure of Regularization Procedures in Image Reconstruction",

Astron Astrophys, 144: 381-387, (1985).
[TSU-84]
B.M.W.Tsui. "Interactions of Collimation, Sampling and Filtering on SPECT Spatial

Rsolution", IEEE Trans Nuc Sci, NS-31: 527-532, (1984).
[TSU-89]
B.M.W.Tsui, G.T.Gullberg, E.R.Edgerton, J.G.Ballard, J.R.Perry, W.H.McCartney, J.Berg.

"Correction of Nonuniform Attenuation in Cardiac SPECT Imaging", J Nuc Med, 30: 497507,(1989).
[TSU-91]
B.M.W.Tsui, X.Zhao, E.C.Frey, G.T.Gullberg. "Comparison Between ML-EM and WLS-CG

Algorithm for SPECT Image Reconstruction", IEEE Trans Nuc Sci, 38: 1766-1772, (1991).
[TSU-94]
B.M.W.Tsui, X.Zhao, E.C.Frey, W.H.McCartney. "Quantitative Single-Photon Emission

Computed Tomography: Basics and Clinical Considerations", Sem Nuc Med, 24; 38-65,
(1994).
[TUB-63]
M.Tubiana, J.Dutreix, A.Dutreix, P.Jockey. "Bases Physiques de la Radiothrapie et de la

Radiobiologie", Masson et C. Ed, Pars, 1963.
[VEK-87]
E.Veklerov, J.Llacer. "Stopping Rule for the MLE Algorithm based on Statistical Hypothesis
Testing", IEEE Trans Med Imag IVlI-6: 313-319,(1987).
[VEK-88]
E.Veklerov, J.Llacer, E.J.Hoffman. "MLE Reconstruction of Brain Phantom Using a Monte

Cario Transition Matrix and Statistical Stopping Rule", IEEE Trans Nuc Sci, 35: 603-607,
(1988).
[VIE-88]
M.A.Viergerver. "Introduction to Discrete Reconstruction Methods in Medical Imaging",

[WAL-81]
T.E.Walters, W.Simon, D.A.Chesler, J.A.Correia. "Attenuation Correction

Emission Computed Tomography", J Comput Assist Tomogr, 5: 89-94, (1981).
[WAL-96]
S.H.WaIrandt, L.R.van Elmbt, S.Pauwels. "A Non-Negative Fast Multiplicative Algorithm in

3D Scatter-Compensated SPET Reconstruction", EurJNucl Med, 23: 1521-1526, (1996).
in Gamma
Bibliografa
pg
xvi
[WAN-92]
Y.Wang, L.Wu. "Multicriterion Mximum Entropy Image Reconstruction from Projections",

[WEL-97]
A.Welch, R.Clack, F.Natterer, G.T.Gullberg. "Attenuation Correction in SPECT Without

Transmission Measurements", IEEE Trans Med Imag, 16: 572-580, (1997).
[WIL-93]
D.W.Wilson, B.M.W.Tsui. "Noise Properties of Filtered-Backprojection and ML-EM

Reconstructed Emission Tomographic Images", IEEE Trans Nuc Sci, 40: 1198-1203, (1993).
[WU-83]
C.F.J.Wu. "On the Convergence Properties of the EM Algorithm", Ann Statist, 11: 95-103,
(1983).
[XIA-97]
W.Xia, S.J.Glick, T.S.Pan, E.J.Soares, D.S.Luo. "Regin of Interest Evaluation of SPECT

Image Reconstruction Methods Using a Realistic Brain Phantom", IEEE Trans Nuc Sci, 44:
1336-1341,(1997).
[XU-93]
X.L.Xu, J.S.Liow, S.C.Strother. "Iterative Algebraic Reconstruction for Emission Computed

Tomography: A Unifed Framework and its Application to Positrn Emission Tomography",
Med Phys,
2Q:\61S-\6U,{\993).
[YAN-88]
J.C.Yanch, M.A.Flower, S.Webb. "A Comparison of Deconvolution and Windowed

Substraction Techniques for Scatter Compensation in SPECT", IEEE Trans Med Imag, MI-7;
13-20,(1988).
[YOU-82]
D.C.Youla, H.Webb. "Image Restoration by the Method of Convex Projections: Part 1Theory", IEEE Trans Med Imag, MI-1: 81-94, (1982).
[YU-97]
D.C.Yu, W.Chang, T.S.Pan. "A Study of Reconstruction Accuracy of a Cardiac SPECT

System with Multi-Segmental Collimation". IEEE Trans Nuc Sci, 44; 1403-1408, (1997).
[ZAR-92]
J.R.Zaragoza. "Fsica e Instrumentacin Mdicas", Ed. Cientficas y Tcnicas SA, MassonSalvat Medicina, Barcelona, 1992.
[ZEN-91]
G.L.Zeng, G.T.Gullberg, B.M.W.Tsui, J.A.Terry. "Three-dimensional Iterative Reconstruction

Algorithms with Attenuation and Geometric Point Response Correction", IEEE Trans Nuc
&/, 38: 693-702, (1991).
i^SBSia
U N I V E R S I T A T D E
B A R C E L O N A
D e p a r t a m e n t de Fsica Aplicada i Electrnica

Facultat de Fsica
Mtodos iterativos de reconstrucein

tomogrfica en SPECT
Caries M a r i a Falcon Falcon
Barcelona, septiembre de 1999.

02.CMFF 2de2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

02.CMFF 2de2

Uploaded by

Copyright:

Available Formats

Mtodos iterativos de reconstruccin tomogrfica

Departament de Fsica Aplicada i Electrnica

Mtodos iterativos de reconstruccin

Caries Maria Falcon Falcon

Barcelona, septiembre de 1999.

5. Mtodos de reconstruccin algebraicos

reconstruccin algebraica y el anlisis de la variacin de la calidad de la

relajacin y el n m e r o de iteraciones en el q u e debe interrumpirse el

5.1. Formulacin matemtica

algebraica utilizado e n este trabajo. En primer lugar, la discretizacin de

p r o b l e m a dentro del anlisis funcional. La implementacin numrica de

o p e r a c i o n e s algebraicas. A u n q u e a m b o s planteamientos s o n , e n principio,

A continuacin, se describe el m t o d o de proyecciones para la resolucin

proyeccin sobre conjuntos convexos). Se c o m p r u e b a q u e el m t o d o de

5.1.1. Mtodo de las proyecciones de Kaczmarz

La reconstruccin tomogrfica es la inversin de dicho sistema, es decir,

la imagen q a partir d e las proyecciones p. El principal

problema e s q u e las proyecciones tienen d o s c o m p o n e n t e s : la seal (A-q)

Una primera a p r o x i m a c i n es ignorar la presencia d e ruido. Entonces, el

S e g n s e analizar m s adelante, la inversin directa d e este sistema d e

[BAK-80] [GOL-89] o el m t o d o d e Landweber [STR-74] [GOL-

89]. El m s c o m n y s i m p l e e s el conocido c o n el n o m b r e de mtodo d e

partiendo d e un punto inicial arbitrario e s proyectar ortogonalmente dicho

punto sobre el primer hiperplano, el punto encontrado se proyecta sobre

representado grficamente el caso d e la interseccin de dos rectas en el

Figura 5-1 Sucesivas aproximaciones a la interseccin de dos rectas

El algoritmo se d e d u c e mediante la geometra analtica. Cada ecuacin de

n m e r o d e orden d e la forma correspondiente, no a sus componentes) por

e s ortogonal al hiperplano q u e define la ecuacin (ec 5-3).

Los puntos obtenidos al proyectar sucesivamente s o b r e los hiperplanos

La ecuacin vectorial d e dicha recta e s , por

eg la solucin d e l sistema q u e f o r m a n las dos ltimas ecuaciones.

De (ec 5-3), el primer trmino d e esta ltima expresin puede c a m b i a r s e

que substituido d e nuevo e n (ec 5-4):

Si el sistema tiene solucin, su convergencia est asegurada a u n q u e la

En el sistema (ec 5-2), las formas

q u e definen los hiperplanos s o n las

filas d e la matriz A, y el vector d e trminos independientes c es la

La resolucin del sistema est sujeta a alguna restriccin, por ejemplo, la

La convergencia d e este proceso est d e m o s t r a d a ,

por ejemplo, en [KOL-90].

5.1.2. Mtodo de proyecciones sobre conjuntos convexos

Un espacio de Hilbert es un espacio lineal dotado d e un producto escalar

pues la n o r m a define una distancia: la distancia entre dos elementos de

En este tipo de estructuras tiene sentido hablar tanto de variedades

C o m o ejemplo d e espacios de Hilbert s e podra citar cualquier espacio

T a m b i n tiene estructura de espacio de Hilbert el conjunto L2(Q) d e las

/ g = | f{x, y) g{x, y)dxdy

Las imgenes entendidas c o m o funciones analticas son elementos de

En a m b o s marcos, una imagen es un elemento de un

La idea bsica del m t o d o P O C S es q u e cada dato disponible de la

definidos por e s o s datos. Cuanto m a y o r s e a la cantidad d e datos, cuanta

Para encontrar u n a funcin solucin e s deseable q u e los subconjuntos de

(mtodo P O C S ) . La convexidad d e los conjuntos e s condicin

para asegurar la convergencia del proceso [YOU-82] [HER-87], a u n q u e el

^ Un conjunto C de funciones se denomina convexo, si dadas dos funciones / g

Figura 5-2 s e muestra el proceso iterativo para dos conjuntos convexos

Figura 5-3. Proyecciones sucesivas sobre dos subconjuntos convexos disjuntos. El

C o m o datos principales de la funcin se tienen s u s proyecciones en

negatividad de la funcin solucin e n ningn punto, el dominio e n q u e la

d e t e r m i n a d o , definen una variedad lineal d e dimensin P, siendo P el

Una v e z definidos los subconjuntos, es preciso determinar los proyectores

La conservacin d e cuentas en la imagen es una condicin q u e puede