Transformada de Radon y FBP (Tesis)

UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA
"LA TRANSFORMADA DE RADON Y SU
APLICACIÓN EN LA TOMOGRAFÍA AXIAL

COMPUTARIZADA"
TESIS
PARA OBTENER EL TÍTULO DE:
LICENCIADO EN MATEMÁTICAS APLICADAS
PRESENTA:
JESÚS MANUEL GARCÍA RUIZ
DIRECTORA DE TESIS:
DRA. SILVIA REYES MORA
CODIRECTOR DE TESIS:
DR. GUILLERMO ARTURO LANCHO ROMERO

HUAJUAPAN DE LEÓN, OAXACA, ENERO 2015.
Tesis apoyada por la SEP mediante el programa "Beca de Titulación 2014" con número de folio: 832024
"La formulación de un problema, es más importante que su solución".
Albert Einstein.
Este trabajo de tesis está dedicado a mi familia,
sin ellos nada de esto hubiera sido posible.
Agradecimientos
Gracias a mi padre Alfonso quien me enseñó el valor del esfuerzo y sacrificio por la familia.
A mi madre Claudia quien desde niño me apoyó para que siguiera estudiando y que en estos
momentos es el motor principal que me motiva a querer ser una mejor persona. A mis hermanos
Ángel y Ricardo que en las buenas y en las malas siempre han estado apoyándome y dándome
ánimos, sin mencionar los momentos de diversión que he pasado con ellos. A mi abuela Delfina
quien nos ha apoyado incondicionalmente y que sin ella seríamos nada. A toda mi familia en
general ya que mucho o poco siempre nos han apoyado en los momentos difíciles y han estado
compartiendo nuestras alegrías y tristezas. A Saiveth quien ha sido una persona de vital impor-
tancia en mis últimos años de formación en esta universidad ya que siempre me ha motivado, aún
cuando sentía perdidas mis esperanzas. A todos los amigos que hice a lo largo de estos 5 años y
que me ayudaron tanto en mi formación profesional como en mi formación personal, gracias por
todos los momentos de diversión que pasé junto a ustedes.
Un agradecimiento especial a la Dra. Silvia Reyes Mora, quien a pesar de la gran cantidad
de trabajo que tenía, siempre tuvo tiempo de ayudarme a realizar este trabajo de tesis, gracias
también por ser una amiga. Agradezco también a todos los profesores que se tomaron el tiempo
para revisar este trabajo de tesis; al Dr. Guillermo Arturo Lancho Romero, al Dr. Franco Barragán
Mendoza, al Dr. José Margarito Hernández Morales y particularmente al M.C. Adolfo Maceda
Méndez por su apoyo brindado en el seminario de tesis.
Agradezco también a todos los profesores que durante estos 5 años han sido parte fundamental
en mi formación profesional.
I
Índice general
Índice general III
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V
1. La transformada de Radon 1
1.1. Diferentes formas de la definición de la transformada de Radon . . . . . . . . . . 1
1.1.1. Dos dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Dimensiones superiores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Ejemplos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Propiedades básicas de la transformada de Radon . . . . . . . . . . . . . . . . . . 10
1.3.1. Linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2. Homogeneidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3. Traslación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4. Transformada de Radon de una transformación lineal . . . . . . . . . . . . . . . . 11
1.5. Transformada de Radon de la derivada de una función . . . . . . . . . . . . . . . 12
1.6. Derivada de la transformada de Radon . . . . . . . . . . . . . . . . . . . . . . . . 13
2. Relación entre la transformada de Radon y la transformada de Fourier 17
2.1. Transformada inversa de Radon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1. Dimensión impar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2. Dimensión par . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2. Transformadas directa e inversa de Fourier . . . . . . . . . . . . . . . . . . . . . . 22
2.3. Relación entre la transformada de Radon y la transformada de Fourier . . . . . . 23
III
IV ÍNDICE GENERAL
3. Métodos de inversión 27
3.1. Método directo de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.1. Dos dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.2. Tres dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2. Retroproyección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3. Retroproyección filtrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4. Tomografía Axial Computarizada 37
4.1. Generaciones de sistemas tomográficos . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2. El problema inverso de la Tomografía Axial Computarizada . . . . . . . . . . . . 40
4.3. Adquisición de datos a partir de integrales de línea . . . . . . . . . . . . . . . . . 41
4.4. Reconstrucción de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.5. Algoritmo de retroproyección filtrada . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.6. Reconstrucción de geometría en abanico . . . . . . . . . . . . . . . . . . . . . . . 47
4.7. Otros tipos de reconstrucción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.8. Estudios actuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5. Conclusiones 53
A. Funciones generalizadas o distribuciones 55
A.1. La distribución delta de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
A.2. Derivadas de distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
B. Problemas inversos 61
B.1. Problemas bien planteados y problemas mal planteados . . . . . . . . . . . . . . . 61
B.2. Mal planteamiento de la transformada de Radon . . . . . . . . . . . . . . . . . . 63
C. Señales y Sistemas 65
Bibliografía 69
Resumen
La tomografía axial computarizada es una técnica de imagen médica que utiliza rayos X para
obtener cortes o secciones de objetos anatómicos con fines diagnósticos. Esta técnica tiene sus
bases en la transformada de Radon la cual es una transformada integral y es de principal interés
en esta tesis.
Esta tesis se divide en cuatro capítulos principales con el fin de que sea un documento de fácil
entendimiento. En el primer capítulo se aborda la transformada de Radon, definiciones, propie-
dades y ejemplos. En el capítulo dos se estudia la transformada inversa de Radon en dos casos,
cuando la dimensión del espacio es par o impar, y la relación entre la transformada de Radon y
la transformada de Fourier. El capítulo tres trata sobre algunos métodos de inversión los cuales
tratan de encontrar a la funcion f sin necesidad de recurrir a la transformada inversa de Radon.
Por último, en el cuarto capítulo se estudia la TAC desde el punto de vista matemático y se ve
cómo se aplican los métodos de inversión discutidos en el capítulo tres.
V
Introducción
La Tomografía Axial Computarizada (TAC), nace como un método o una herramienta en

medicina mediante visualización por rayos X. El fundamento de la tomografía es la adquisición de
una imagen por rayos X, de un corte transversal de un objeto, para distintos ángulos de rotación
con respecto al mismo. Cada una de estas imágenes es una proyección del objeto y el problema
consiste en obtener la estructura interna del objeto a partir de todas las posibles proyecciones
([8]). Esta técnica busca superar tres limitaciones en la radiología convencional. Primero, la
imposibilidad de mostrar en una imagen radiológica bidimensional toda la información contenida
en una escena tridimensional, debido a la superposición de los objetos en la imagen que se tenía;
segundo, la limitada capacidad para distinguir tejidos blandos; y finalmente, la imposibilidad
de cuantificar las densidades de los tejidos ([13]). Tras la pronta inclusión de la tomografía en
la práctica clínica, no sólo se propusieron diferentes geometrías, sino que también se buscaron
métodos que ofrecieran aproximaciones que permitieran reconstruir la imagen con el menor costo
computacional posible. Esto llevó a que la retroproyección y la retroproyección filtrada [30],
originalmente propuestos en astronomía, fueran rápidamente adoptadas.
Los métodos matemáticos en los cuales se basa la TAC fueron desarrollados por A.M. Cormack
en 1962 ([5]), sin embargo desde 1917 Johann Radon planteó el problema de reconstruir una
función f si se conocen sus integrales sobre rectas arbitrarias. Si la ecuación normal de una recta
es p = x cos φ + y senφ, la integral sobre la recta se puede escribir como
Z ∞
F (p, φ) = f (p cos φ − s senφ, p senφ + s cos φ)ds,
−∞
donde la función F es una proyección en una dimensión de la función f a un ángulo φ. Si

se conoce esta F para todo ángulo φ, entonces a la función F se llamará la transformada de
Radon bidimensional de la función f ([33]). Así, el problema directo consiste en hallar F (p, φ) a
partir del conocimiento de f (x, y) mientras que el problema inverso es hallar f (x, y) a partir del
conocimiento de todas las proyecciones F (p, φ).
El interés principal radica en hallar fórmulas de inversión de la transformada de Radon. Por

ejemplo Minkowsky escribió el operador de inversión en término de funciones esféricas, Funk
redujo el problema de la inversión en la transformada de Abel [9], mientras que Helgason aborda
la transformada de Radon en geometría integral en espacios homogéneos [11]. Usaremos esta
última referencia para consultar algunas propiedades básicas de la transformada de Radon.
Dentro de todo este contexto, se debe aclarar que no existe un documento que reúna la infor-
VII
VIII ÍNDICE GENERAL
mación sobre la Transformada de Radon y su aplicación a la Tomografía Axial Computarizada

(TAC), de manera clara y detallada. Los documentos hallados sobre el tema, hablan de la TAC
con unos cuantos detalles de su justificación teórica, pero no hay documentos en español donde
se exponga con detalle la teoría matemática relacionada con la transformada de Radon y su
aplicación a la TAC. Por lo tanto, se profundiza en el tema con el fin de recolectar la mayor
cantidad de información posible para formar un documento de fácil entendimiento por cualquier
persona que se inicia en esta línea de investigación.
Capítulo 1
La transformada de Radon
En este capítulo se exponen los fundamentos matemáticos de la transformada de Radon,

comenzando con la definición en dos y tres dimensiones para después dar una definición general.
También se menciona y se prueban algunas propiedades de la transformada de Radon, las cuales
sirven para establecer la relación entre la transformada de Radon y la transformada de Fourier.
Además, se concluye este capítulo analizando algunos ejemplos de la transformada de Radon de
algunas funciones particulares.
1.1. Diferentes formas de la definición de la transformada de Ra-

don
Se comienza dando la definición de función de prueba:
Definición 1.1.1. Sea D ⊆ Rn abierto y sea f : D → R. Se dice que f es función de prueba si:
f ∈ C ∞ (D),
existe K ⊂ Rn compacto con K ⊂ D tal que f (x) = 0, ∀x ∈ Rn \ K .
Nota 1. Se denota al conjunto de funciones de prueba sobre U como D (U ). En caso de tener

U = Rn se denota D (U ) simplemente como D .
1.1.1. Dos dimensiones
Imagine en el plano un conjunto convexo K que en su interior tiene un subconjunto abierto

D. Si considera todas las posibles rectas L que intersecan a K resulta claro que no todas cortan
a D, mientras que otras lo cortan una longitud m. La pregunta es la siguiente: Si se conoce el
valor de m para toda recta L que corte a D, ¿se puede conocer la forma y posición de D?
1
2 1.1. Diferentes formas de la definición de la transformada de Radon
El matemático Austriaco Johann Radon probó que sí es posible resolver este problema, obtenien-
do la transformada que hoy lleva su nombre. Es decir, probó que se puede reconstruir el interior
de D a partir del conocimiento de lo que sucede en cada recta L al atravesar D.
A continuación se da la definición de la transformada de Radon bidimensional para funciones

de prueba.
Definición 1.1.2. Sean D ⊆ R2 abierto y f : D → R función de prueba. Sea L una recta que
interseca a D como lo ilustra la Figura 1.1.1, la transformada de Radon de la función f se define
como la integral de línea de f sobre L, para toda L que interseca a D y se denota mediante
Z
ˇ
f = R (f ) = f (x, y)ds, (1.1)
L
donde ds es el incremento sobre L.
Figura 1.1.1: Representación del conjunto D y la recta L
Otra forma de definir la transformada de Radon es a partir del análisis de la Figura 1.1.2.
Definición 1.1.3. Sean (x, y) ∈ L y φ ∈ [0, 2π) un ángulo fijo. Dada la ecuación normal de la
recta L
p = x cos φ + y sen φ = ξ · x , (1.2)
la integral (1.1) se puede expresar como:

Z
fˇ(p, φ) = f (x, y)ds, (1.3)
L
cuando dicha integral exista.
Si fˇ(p, φ) existe para todos los valores de p y φ, entonces se dirá que fˇ(p, φ) es la transfor-
mada de Radon en dos dimensiones de f , mientras que para un ángulo φ fijo se dirá que es una
proyección de f al ángulo φ.
Sea (x, y) un punto en la recta L y sean α y φ como lo ilustra la Figura 1.1.2. Veamos la
forma de la ecuación (1.3) en términos de los nuevos ejes coordenados P S. Se tiene que en el
Figura 1.1.2: Representación geométrica de la relación entre las variables x, y y p, s.
antiguo sistema de ejes coordenados:

x = r cos(φ + α) y y = r sen(φ + α) mientras que en el nuevo sistema de ejes coordenados
p = r cos α y s = r sen α.
Usando el hecho de que cos(φ + α) = cos φ cos α − senφ senα y
sen(φ + α) = senφ cos α + cos φ senα, se tiene:
x = p cos φ − s senφ.
y = p senφ + s cos φ.
Con todo lo anterior (1.3) toma la siguiente forma más general en términos de p y φ como
Z ∞
ˇ
f (p, φ) = f (p cos φ − s senφ, p senφ + s cos φ)ds. (1.4)
−∞
Otra forma de definir la transformada de Radon surge cuando se usa notación vectorial.
Definición 1.1.4. Dados x = (x, y) y ξ un vector unitario en el plano en dirección de p, entonces

la transformada de Radon se puede expresar como:
Z ∞
ˇ
f (p, ξ ) = f (p ξ + t ξ ⊥ )dt, (1.5)
−∞
donde ξ ⊥ es un vector perpendicular a ξ y t es un parámetro escalar tal que x = p ξ + t ξ ⊥ como

lo ilustra la Figura 1.1.3.
Una última forma de definir la transformada de Radon es utilizando la distribución delta de

Dirac ([26],[35]), pues usando (1.4) se tiene:
4 1.1. Diferentes formas de la definición de la transformada de Radon
Figura 1.1.3: Representación geométrica de un punto x = (x, y) en la recta L como una combi-
nación lineal de ξ y ξ ⊥ .
Z ∞
fˇ(p, φ) = f (p cos φ − s senφ, p senφ + s cos φ)ds
−∞
Z ∞
1
= f (x, p senφ + s cos φ)dx
|senφ| −∞
Z ∞
1 p
= f (x, − x cot φ)dx
|senφ| −∞ senφ
Z ∞Z ∞
1 p
= f (x, y)δ(y − + x cot φ)dxdy
|senφ| −∞ −∞ senφ
Z ∞Z ∞
= f (x, y)δ(p − x cos φ − y senφ)dxdy
−∞ −∞
Así, la transformada de Radon de la función f se puede expresar como

ZZ
fˇ(p, φ) = f (x, y)δ(p− x cos φ − ysenφ)dxdy, (1.6)
R2
R RR
Para cuestiones prácticas es conveniente denotar en lugar de y dx en vez de dxdy, pues
R2
al definir esta nueva notación, la ecuación (1.6) se puede escribir como
Z
fˇ(p, ξ ) = f (x
x)δ(p− ξ ·x
x)dx
dx
dx, (1.7)
donde x = (x, y) y ξ = (cos φ, sen φ).

1.1.2. Dimensiones superiores
Al igual que en el caso bidimensional, la transformada de Radon de una función f definida

en el espacio XYZ se puede definir mediante p y un vector unitario ξ donde ahora:
ξ ·x
x = ξ1 x + ξ2 y + ξ3 z.
La principal diferencia es que ahora la integración no se realiza sobre rectas sino sobre planos
que intersecan a la superficie D y p ahora denota la distancia del plano al origen como lo ilustra
la Figura 1.1.4.
Figura 1.1.4: Geometría para la transformada de Radon en tres dimensiones.
Se tiene que la transformada de Radon de una función f ∈ D definida en R3 es

ZZZ
ˇ
f (p, ξ ) = x)δ(p− ξ ·x
f (x x)dx dy dz. (1.8)
R3
De manera general, si f es una función de prueba definida en un dominio D ⊆ Rn , y

ξ =(ξ1 , . . . , ξn ) es un vector unitario, se define la transformada de Radon de f como la integral
sobre todos los hiperplanos en el hiper-espacio que intersecan a D, es decir
Z Z
ˇ
f (p, ξ ) = . . . f (x1 , . . . , xn )δ(p− ξ1 x1 − ξ2 x2 − . . . − ξn xn )dx1dx2 . . .dxn , (1.9)
donde una vez más, la distribución delta de Dirac es evaluada en el hiperplano cuya ecuación
normal es p = ξ1 x1 + ξ2 x2 + . . . + ξn xn .
R R R
Note que si una vez mas se denota . . . como , dx1 dx2 . . .dxn por dxx y se usa la notación
6 1.2. Ejemplos importantes
vectorial para vectores en Rn , se tiene que (1.9) se simplifica como (1.7).

Así, si f : Rn → R es una función de prueba, entonces se puede dar la siguiente definición.
Definición 1.1.5. Dada una función de prueba f ∈ D y ξ un vector unitario en Rn , se define
la transformada de Radon de f como:
Z
ˇ x)δ(p− ξ ·x
R (f ) = f (p, ξ ) = f (x x)dx
dx
dx, (1.10)

Nota 2. En lo que sigue del escrito se considerará esta como la definición formal de la transfor-
mada de Radon.
1.2. Ejemplos importantes
Los ejemplos que siguen son importantes ya que muestran la complejidad de la transformada
de Radon y también se utilizan para clarificar algunos resultados a lo largo de la tesis. El primer
y segundo ejemplo representan el cálculo de la transformada de Radon para una distribución
gaussiana en R2 y R3 respectivamente, el tercero tiene como dominio un subconjunto abierto
mientras que el cuarto y el quinto ejemplo solamente poseen como dominio un subconjunto
compacto.
2 2
Ejemplo 1. Considere la función f : R2 → R dada por f (x, y) = e−x −y , se sigue que:
Z ∞Z ∞
2 2
ˇ
f (p, ξ ) = e−x −y δ(p − ξ1 x − ξ2 y)dxdy. (1.11)
−∞ −∞
Realizando el cambio de variable
u
ξ1 ξ2 x
v = −ξ2 ξ1 · y ,
tenemos que (1.11) toma la forma

Z ∞ Z ∞
2 −y 2
fˇ(p, ξ ) = e−x δ(p − ξ1 x − ξ2 y)dxdy
Z−∞ −∞
∞ Z ∞
2 2
= e−u −v δ(p − u)dudv
Z−∞∞
−∞
Z ∞
−v 2 2
= e e−u δ(u − p)dudv
Z−∞∞
−∞
2 2
= e−v e−p dv
−∞
Z ∞
−p2 2
= e e−v dv
−∞
√ −p2
= πe . (1.12)
Observe que el resultado anterior indica que fˇ es radial, es decir, sólo depende del valor de p.
2 2 2
Ejemplo 2. Sea f : R3 → R dada por f (x, y, z) = e−x −y −z , entonces
Z ∞Z ∞Z ∞
2 2 2
fˇ(p, ξ ) = e−x −y −z δ(p − ξ1 x − ξ2 y − ξ3 z)dxdydz. (1.13)
−∞ −∞ −∞
Haciendo el cambio de variable

u ξ1 ξ2 ξ3 !
x
−ξ1 ξ2 −ξ2 ξ3
v = q
q q · y ,
w −ξ3 ξ1 z
q
0 q
p
donde q = ξ12 + ξ22 , entonces
Z ∞ Z ∞ Z ∞
2 −y 2 −z 2
fˇ(p, ξ ) = e−x δ(p − ξ1 x − ξ2 y − ξ3 z)dxdydz
Z−∞
∞ Z−∞ −∞
∞ Z ∞
2 2 2
= e−u −v −w δ(p − u)dudvdw
Z−∞
∞ Z ∞
−∞ −∞
Z ∞
−v 2 −w2 2
= e e−u δ(u − p)dudvdw
Z−∞
∞ Z ∞
−∞ −∞
2 2 2
= e−v −w e−p dvdw
−∞ −∞
Z ∞Z ∞
2 2 2
= e−p e−v −w dvdw
−∞ −∞
−p2
= πe . (1.14)
De manera general se puede ver que si f : Rn → R es dada por

2 2 2
f (x1 , . . . , xn ) = e−x1 −x2 −...−xn , entonces:
2 2 2 √ 2
R (e−x1 −x2 −...−xn ) = ( π)n−1 e−p . (1.15)
Ejemplo 3. Dada λ > 1 se define f : R2 → R como


2 2 λ−1 x2 + y 2 < 1;
 (1 − x − y ) , si

f (x, y) = (1.16)
x2 + y 2 ≥ 1.

 0, si
Entonces usando (1.4) y observando que x2 + y 2 = p2 + s2 se tiene que (1.16) queda como

2 2 λ−1 2 2
 (1 − p − s ) , si p + s < 1;

f (p, s) =
si p2 + s2 ≥ 1.

 0,
8 1.2. Ejemplos importantes
De donde
Z √1−p2
fˇ(p, φ) = √ (1 − p2 − s2 )λ−1 ds.
− 1−p2
√
Ra 2 2 2λ−1 B( 1 , λ) = a2λ−1 π Γ(λ)
Sabiendo que −a (a − t )dt = a 2 Γ(λ+ 12 )
, siendo B(x, y) la función Beta y
Γ(x) la función Gamma, se tiene
√
π Γ(λ)
fˇ(p, φ) = 2 λ−1/2
1 (1 − p ) , −1 ≤ p ≤ 1.
Γ(λ + 2 )
Note que si λ < 1, entonces supp(f ) = R2 , el cual no es compacto, con lo cual, la integral no
existe y por tanto, no existe su transformada de Radon.
Ejemplo 4. Considere f : R2 → R dada por

 1,
 si 0 ≤ x, y ≤ 1;
f (x, y) = (1.17)

 0, de otra forma.
Figura 1.2.1: Representación del dominio de fˇ(p, φ): φ ∈ [0, π/4].
Entonces para 0 ≤ φ ≤ π4 :

p
senφ cos φ , si 0 < p < senφ; Región 1







fˇ(p, φ) = 1
cos φ , si senφ ≤ p ≤ cos φ; Región 2




 senφ+cos φ−p
senφ cos φ , si cos φ < p ≤ senφ cos φ; Región 3


π π
y por la simetría de la región, para 4 ≤φ≤ 2 se tiene:

p
senφ cos φ , si 0 < p < cos φ; Región 1







fˇ(p, φ) = 1
senφ , si cos φ ≤ p ≤ senφ; Región 2




 senφ+cos φ−p
senφ cos φ , si senφ < p ≤ senφ cos φ; Región 3


Como último ejemplo considere la función característica sobre el disco unitario.

Ejemplo 5. Sea f : R2 → R dada como:

 1, si
 x2 + y 2 ≤ 1;
f (x, y) =
x2 + y 2 > 1.

 0, si
Figura 1.2.2: Representación geométrica de la transformada de Radon de la función característica

sobre el círculo unitario.
Entonces: 
2 1/2
 2(1 − p ) , si
 |p| ≤ 1;
fˇ(p, φ) =

 0, si |p| > 1.
Note que en este ejemplo, la transformada de Radon de la función f no es mas que la longitud
del segmento de recta que interseca al círculo unitario como lo ilustra la Figura 1.2.2.
10 1.3. Propiedades básicas de la transformada de Radon
1.3. Propiedades básicas de la transformada de Radon
Ya que se conoce un poco sobre la transformada de Radon, lo siguiente es ver las propiedades
que cumple pues serán de vital importancia en capítulos posteriores. Además de ser un gran
apoyo al calcular transformadas de Radon de funciones sin necesidad de recurrir siempre a la
definición de ésta.
1.3.1. Linealidad
Proposición 1. Sean f, g ∈D y α, β escalares. Luego, se tiene que:

R (α f + β g)= αR (f )+β R (g).
Demostración. En efecto, por definición de la transformada de Radon se tiene:

Z
R (α f + β g)(xx) = x)δ(p − ξ · x )dx
(α f + β g)(x dx
Z
= x)δ(p − ξ · x ) + β g(x
(α f (x x)δ(p − ξ · x ))dx
dx
Z Z
= α f (x x)δ(p − ξ · x )dx
dx + β g(x x)δ(p − ξ · x )dx
dx
= αR (f ) + β R (g).
1.3.2. Homogeneidad
Proposición 2. Dada f ∈ D y s > 0, se obtiene:
1 ˇ
fˇ(sp, sξξ ) = f (p, ξ ).
|s|
En especial si ζ es un vector cualquiera distinto del vector cero, se cumple

ˇ 1 ˇ p ζ
f (p, ζ ) = f , .
||ζζ || ||ζζ || ||ζζ ||
Demostración. Sea f ∈ D y α > 0 un escalar. Por definición de la transformada de Radon se

tiene
Z
ˇ
f (sp, sξξ ) = x)δ(sp − sξξ · x )dx
f (x dx
Z
= x)δ(s(p − ξ · x ))dx
f (x dx
dx.
Ahora usando la proposición 7 del Apéndice A se concluye que:

Z
ˇ 1
f (sp, sξξ ) = x)δ(p − ξ · x )dx
f (x dx
dx.
|s|
1.3.3. Traslación
Proposición 3. Sean f ∈D y a ∈ Rn , entonces
x ± a )) = fˇ(p ± ξ · a , ξ ).
R (f (x (1.18)
Demostración. Solamente se probará que R (f (x x + a )) = fˇ(p + ξ · a , ξ ). El otro caso se prueba

de manera similar.
En base a la Definición1.1.5 de la transformada de Radon se tiene que:
Z
R (f (x x + a )δ(p − ξ · x )dx
x + a )) = f (x dx
dx.
Realizando el cambio de variable y = x + a se observa que:

Z
R (f (yy )) = f (yy )δ(p − ξ · (yy − a ))dy
dy
Z
= f (yy )δ(p + ξ · a − ξ · y )dy
dy
= fˇ(p + ξ · a , ξ ),
de donde se obtiene la igualdad deseada.
1.4. Transformada de Radon de una transformación lineal
Proposición 4. Dada una función f ∈D y T : Rn → Rn una transformación lineal representada

x=y
por la matriz A tal que Ax y entonces
x) = R (f (B −1y )) = |det B|fˇ(p, B tξ ),

R f (Ax (1.19)
donde B = A−1 .
Demostración. En efecto, por definición de la transformada de Radon se tiene:
R
R (f (Ax x)δ(p − ξ · x )dx
x)) = f (Ax dx .
12 1.5. Transformada de Radon de la derivada de una función
Recordando que x ·ξξ = x tξ se puede ver que ξ · Ax x = Atξ ·x x. Ahora haciendo uso del teorema
de cambio de variable se concluye que:
Z
R (f (Axx)) = f (Ax x)δ(p − ξ · x )dx
dx
Z
= f (yy )δ(p − ξ · Byy )|det B|dy
dy
Z
= |det B| f (yy )δ(p − B tξ · y )dy dy
dy,
donde el jacobiano de la transformación es la magnitud del determinante de B.
x)) = |det B|fˇ(p, B tξ ).

Así, R (f (Ax
Nota 3. Dado que B tξ generalmente no es un vector unitario, se puede aplicar la propiedad de

homogeneidad de la transformada de Radon para transformarlo en un vector unitario.
Corolario 1. Dada f ∈ D y A una matriz ortogonal, observa que:
x) = fˇ(p, Aξξ ).
R f (Ax (1.20)
La demostración de este corolario es inmediata.

Corolario 2. Dada f ∈ D y A = λI, se tiene que:

1 ˇ ξ 1
x) = n f p,
R f (λx = n−1 fˇ(λp, ξ ). (1.21)
λ λ λ
La prueba de este corolario es sencilla a partir de la demostración de la Proposición 4.

2 2 √ 2 2 2
Ejemplo 6. Recordando que R (e−x −y ) = πe−p , es fácil calcular R (e−(x/a) −(y/b) ).
2 2
x) = f (x, y) = e−x −y y
Si f (x

1/a 0
B −1 = 0 1/b .

B = a0 0b ,
2 2
Entonces note que f (B −1x ) = e−(x/a) −(y/b) , de donde al usar la proposición anterior se tiene
2 2
que R (e−(x/a) −(y/b) ) = |detB|fˇ(p, B tξ ). Aquí ζ = B tξ = (aξ1 , bξ2 )t no es un vector unitario
por lo que usando la propiedad de homogeneidad se concluye que:
√
−(x/a)2 −(y/b)2 ab π −(p/||ζζ ||)2
R (e )= e .
||ζζ ||
1.5. Transformada de Radon de la derivada de una función
Proposición 5. Dada f ∈ D y a ,bb vectores en Rn , se cumple:

ˇ

ξ
1. R ∂f
∂xk = ξk ∂ f∂p
(p,ξξ )
.
ˇ
P
ξ
2. R n ∂f
k=1 ak ∂xk = a · ξ ∂ f∂p
(p,ξξ )
.
ˇ

∂2f ξ
3. R ∂xl ∂xk = ξl ξk ∂ f∂p
(p,ξξ )
.
2 fˇ(p,ξ
P
∂2f ξ)
4. R n Pn
l=1 k=1 al bk ∂xl ∂xk a · ξ )(bb · ξ ) ∂
= (a ∂p2
.
Demostración. Sólo se probará el primer inciso ya que los demás se prueban de manera similar.
Para ello note que
ε
∂f f x + e k · ξk − f (x )
x
= lı́m ε . (1.22)
∂xk ε→0
ξk
ε
Aplicando la transformada de Radon a (1.22) y usando (1.18) con a = ek · ξk se tiene
 
ε

∂f
Z f x + ek · ξk − f (x
x)
R =  lı́m  δ(p − ξ · x )dx
ε
∂xk ε→0
ξk
fˇ(p + ε, ξ ) − fˇ(p, ξ)
= ξk lı́m
ε→0 ε
ˇ
∂ f (p, ξ )
= ξk .
∂p
Ejemplo 7. Considere el punto 4 de la Proposición 5 pero ahora suponga que


 1, si l = k

al bk = δkl =

 0, si l 6= k.
En este caso, la transformada de Radon de dicho argumento se reduce a la transformada de

Radon del Laplaciano (∆x ) de la función f .
Así,
∂ 2 fˇ(p, ξ ) ∂ 2 fˇ(p, ξ )
x)) = |ξξ |2
R (∆x f (x = ,
∂p2 ∂p2
para |ξξ | = 1.
1.6. Derivada de la transformada de Radon
Anteriormente se vio la relación que existe entre la transformada de Radon de alguna derivada
parcial de una función f y la derivada parcial con respecto a p de la transformada de Radon de
14 1.6. Derivada de la transformada de Radon
ˇ(p,ξξ )

la función f . Es decir, R ∂x∂f
k
= ξk ∂ f∂p .
La pregunta ahora es:
¿Quien es ∂ξ∂k R {f (x
x)}, en caso de existir?
Para responder esta pregunta se usa la definición de la transformada de Radon y la regla de
Leibniz para derivar una integral obteniendo
Z Z
∂ ∂ ∂
R {f (x
x)} = x)δ(p − ξ · x )dx
f (x x = f (x
x) δ(p − ξ · x )dx
x.
∂ξk ∂ξk ∂ξk
Ahora haciendo uso de (Apéndice A, Proposición 8) se tiene:

Z
∂ ∂
R {f (x
x)} = − x)δ(p − ξ · x )dx
xk f (x x,
∂ξk ∂p
o equivalentemente,
∂ ∂
R {f (x
x)} = − R {xk f (x
x)}.
∂ξk ∂p
De lo anterior se da la proposición siguiente .
Proposición 6. Dada f ∈ D , se cumple:
∂ ∂
R {f (x
x)} = − R {xk f (x
x)}, (1.23)
∂ξk ∂p
cuando dichas derivadas existan.

2 −y 2
Ejemplo 8. Sea f (x, y) = e−x . Luego:
Z ∞ Z ∞
−x2 −y 2 2 −y 2
R (e ) = e−x δ(p − ξ1 x − ξ2 y)dxdy
Z−∞ −∞
∞ Z ∞
2 +v 2 )/||ξ
ξ ||2 1
= e−(u δ(p − u) dudv
−∞ −∞ ||ξξ ||2
√ 1 2 /(ξ 2 +ξ 2 )
= π(ξ12 + ξ22 )− 2 e−p 1 2 .
Ahora:
p2
∂ fˇ √ − 2 +ξ2 )
(p, ξ ) = π(ξ12 + ξ22 )−3/2 ξ1 e (ξ1 2 (2p2 (ξ12 + ξ22 )−1 − 1).
∂ξ1
Por otro lado,
√
2
!
∂ ∂ πξ1 p − (ξ2p+ξ2 )
− R {xf (x
x)} = − e 1 2
∂p ∂p ||ξξ ||2
"
p2
#
√ 2 2 −3/2
− 2 +ξ2 )
(ξ1 2 2 2 −1
= − π(ξ1 + ξ2 ) ξ1 e 2 (1 − 2p (ξ1 + ξ2 ) )

p2
√ − 2 +ξ2 )
= π(ξ12 + ξ22 )−3/2 ξ1 e (ξ1 2 (2p2 (ξ12 + ξ22 )−1 − 1).
Para el caso particular en el que ξ = (cos φ, senφ) se tiene
∂ fˇ √ 2
∂ξ1 = π cos φ e−p (2p2 − 1) = − ∂p
∂
R {xf (x
x)}.
Note que en los ejemplos antes descritos se consideró todo el espacio en cuestión como el
dominio de las funciones ahí definidas; esto en las aplicaciones no es del todo cierto ya que en
la gran mayoría de éstas se consideran dominios acotados. Por ejemplo, considere f : R2 −→ R
dada por 
2 2 2 2
 x + y , si x + y ≤ 1

f (x, y) =
si x2 + y 2 > 1.

 0,
En base al Ejemplo 7, se debe cumplir que
∂ 2 fˇ(p, ξ ) ∂ 2 fˇ(p, ξ )
x)) = |ξξ |2
R (∆x f (x = .
∂p2 ∂p2
p
Por un lado se tiene que R {∆x f (x, y)}= R {4}=8 1 − p2 , de acuerdo al Ejemplo 5.
Por otra parte, dado que fˇ(p, φ) = 23 1 − p2 (1 + 2p2 ), se sigue que:
p
2 +8p4
∂2 ˇ
∂p2
f (p, φ) = 2−12p
(1−p2 )3/2
, contradiciendo la supuesta igualdad. Este problema sencillo prueba que
el Teorema 5 no se cumple en general para dominios acotados.
Capítulo 2
Relación entre la transformada de

Radon y la transformada de Fourier
2.1. Transformada inversa de Radon
En esta sección se estudia la transformada inversa de Radon. Se analiza la fórmula de inversión

de la transformada de Radon en dos casos, cuando la dimensión de Rn es par y cuando es impar.
Una fórmula general de la transformada inversa de Radon puede hallarse en [11].
La notación usada en esta sección es la misma que se ha venido manejando. En particular,

x , y y z son vectores en Rn mientras que ξ seguirá siendo un vector unitario en Rn , p un escalar
y ∆x el operador Laplaciano.
2.1.1. Dimensión impar
Primero, note que para un vector arbitrario x ∈ Rn , se cumple

Z Z Z ∞
f (yy )|ξξ · (yy − x )|dy
dy = f (yy )|p|δ(p − ξ · (yy − x ))dp dy
−∞
Z ∞Z
= f (xx + z )|p|δ(p − ξ · z )dz
dz dp (haciendo z = y − x )
−∞
Z ∞
= |p|fˇ(p + ξ · x , ξ ) dp,
−∞
donde en el último paso se usa la propiedad de traslación de la transformada de Radon introducida

en el Capítulo 1.
Integrando sobre la esfera unitaria en Rn (denotada por S n−1 ) se tiene
Z Z Z Z ∞
f (yy )|ξξ · (yy − x )|dy
dy dξ = |p|fˇ(p + ξ · x , ξ ) dp dξ
dξ, (2.1)
|ξξ |=1 |ξξ |=1 −∞
17
18 2.1. Transformada inversa de Radon
con dξ el elemento de superficie en la esfera unitaria. Por otro lado, se tiene que la integral del
lado izquierdo de (2.1) puede reescribirse usando la siguiente identidad dada en [12]:
Z Z
n−1 (n−1)/2 (n+1)/2
4(2π) (−1) x) = ∆x
f (x f (yy )|ξξ · (yy − x )|dy
dy dξ
dξ,
|ξξ |=1
la cual es válida para n impar, n ≥ 3. Note que el operador Laplaciano de la igualdad anterior
(n+1)/2 (n−1)/2
se puede descomponer como ∆x = ∆x ∆x ,
de donde se obtiene:
Z Z ∞
(n−1)/2
4(2π) n−1
(−1)(n−1)/2
x) = ∆x
f (x ∆x |p|fˇ(p + ξ · x , ξ ) dp dξ
dξ. (2.2)
|ξξ |=1 −∞
Haciendo el cambio de variables t = p + ξ · x se tiene:

Z ∞ Z ∞
|p|fˇ(p + ξ · x , ξ )dp = |t − ξ · x |fˇ(t, ξ )dt
−∞ −∞
Z ξ ·x
x Z ∞
= |t − ξ · x |fˇ(t, ξ )dt + (t − ξ · x )fˇ(t, ξ )dt
−∞ ξ ·x
x
Z ∞ Z ξ ·xx
= (t − ξ · x )fˇ(t, ξ )dt − (t − ξ · x )fˇ(t, ξ )dt.
ξ ·x
x −∞
Usando la regla de Leibniz para diferenciar una integral y recordando la regla de la cadena se
prueba que
Z ∞ Z ∞
∆x ˇ
|p|f (p + ξ · x , ξ )dp = ∆x (t − ξ · x )fˇ(t, ξ )dt
−∞ ξ ·x
x
Z ξ ·x
x
−∆x (t − ξ · x )fˇ(t, ξ )dt
−∞
= −2 ξ · ξ fˇ(ξξ · x , ξ ).
Dado que ξ · ξ = 1 se tiene

Z ∞
∆x |p|fˇ(p + ξ · x , ξ )dp = −2fˇ(ξξ · x , ξ ).
−∞
Combinando esta última expresión con (2.2) se obtiene la fórmula de inversión de la transformada
de Radon para n impar mayor o igual que 3, lo cual se enuncia en el teorema siguiente.
Teorema 1. Suponga que f ∈ D (Rn ) con n impar, n ≥ 3. Dada fˇ(p, ξ ) se puede recuperar a
la función f mediante
Z
(n−1)/2
x) = Cn ∆x
f (x fˇ(ξξ · x , ξ )dξ
dξ (2.3)
|ξξ |=1
Z n−1
∂
= Cn fˇ(ξξ · x , ξ )dξ
dξ
dξ. (2.4)
|ξξ |=1 ∂p
donde
(−1)(n−1)/2 1 1
Cn = n−1
= .
2(2π) 2 (2πi)n−1
Demostración. La primera igualdad se deduce de la construcción que se ha realizado para hallar

a la función f .
Para probar la segunda igualdad en el teorema, considere el caso particular cuando n = 3 y
x = (x, y, z).
Usando la primera igualdad de este teorema y la regla de Leibniz para derivar una integral se
tiene
2
d2 d2
Z Z
ˇ d
∆x f (ξ · , )dξ =
ξ x ξ dξ + + fˇ(ξξ · x, ξ )dξ
dξ
|ξξ |=1 dx2 dy 2 dz 2 |ξξ |=1
2
∂2 ∂2
Z
∂
= + + fˇ(ξξ · x , ξ )dξ
dξ
dξ.
|ξξ |=1 ∂x2 ∂y 2 ∂z 2
(2.5)
Por otro lado usando la regla de la cadena es fácil ver que

∂ ˇ ∂ ˇ
f (ξξ · x , ξ ) = ξ1 f (p, ξ ) ,
∂x ∂p p=ξξ ·x
x
y de manera similar se puede probar que
∂2 ˇ 2

2 ∂ ˇ

2
f (ξξ · x , ξ ) = ξ1 2
f (p, ξ ) .
∂x ∂p p=ξξ ·x
x
De donde se tiene que (2.5) queda como
∂2 ˇ
Z Z
fˇ(ξξ · x , ξ )dξ 2

∆x dξ = |ξξ | f (p, ξ ) .
|ξξ |=1 |ξξ |=1 ∂p2
p=ξξ ·x
x
La forma de proceder para el caso general es el mismo que se usó para este caso particular.
El siguiente ejemplo es importante en las aplicaciones ya que muestra la fórmula de inversión

para un objeto tridimensional dada su transformada de Radon.
Ejemplo 9. Sea f = f (x, y, z). Luego Cn = C3 = −1/8π 2 y la fórmula de inversión es:
Z
1
x) = −
f (x ∆x fˇ(ξξ · x, ξ )dξ
dξ
8π 2 |ξξ |=1
Z
1
= − 2 fˇpp (ξξ · x , ξ )dξ
dξ
dξ,
8π |ξξ |=1
20 2.1. Transformada inversa de Radon
o más explícitamente,
d2 d2 d2
Z
1
f (x, y, z) = − 2 + + fˇ(ξ1 x + ξ2 y + ξ3 z, ξ )dξ
dξ
dξ.
8π dx2 dy 2 dz 2 |ξξ |=1
Claramente ξ y dξ pueden escribirse en términos de coordenadas esféricas usuales en R3 , es decir,
ξ = (sen φ cos θ, sen φ sen θ, cos φ) y dξ = sen φ dφ dθ,
donde 0 ≤ φ < π, 0 ≤ θ < 2π.
2.1.2. Dimensión par
Al igual que en el caso anterior, note que para un vector arbitrario x ∈ Rn se cumple:
Z Z Z ∞
y)log|ξξ · (yy − x )|dy
y)
f (y) dy = y) log|p| δ(p − (ξξ · (yy − x )))dp dy
f (y) dy.
−∞
Nuevamente usando el teorema de Fubini para intercambiar el orden de integración y usando

la propiedad de traslación de la transformada de Radon se tiene
Z Z ∞
y)log|ξξ · (yy − x )|dy
y)
f (y) dy = log|p| fˇ(p + ξ · x , ξ )dp.
−∞
Integrando sobre Sn−1 y usando la siguiente identidad para n par, n ≥ 2,
Z Z
n (n−2)/2 n/2
(2π) (−1) x) =
f (x ∆x y)log|ξξ · (yy − x )|dy
y)
f (y) dy dξ
dydξ
dξ,
|ξξ |=1
se sigue que
Z Z ∞
(n−2)/2
n
(2π) (−1)(n−2)/2
x) =
f (x ∆x ∆x log|p| fˇ(p + ξ · x , ξ )dp dξ
dξ. (2.6)
|ξξ |=1 −∞
Note que
n
X ∂ ∂ ˇ
∆x fˇ(p + ξ · x , ξ ) = f (p + ξ · x , ξ )
∂xj ∂xj
j=1
n
X ∂ ∂ ˇ
= f (t, ξ ).
∂xj ∂xj
j=1
Por otro lado

∂ ˇ ∂ ˇ ∂
f (t, ξ ) = f (t, ξ ) t
∂xj ∂t ∂xj
∂
= ξj fˇ(t, ξ ),
∂t
de donde:
∆x fˇ(p + ξ · x , ξ ) = |ξξ |2 fˇtt (p + ξ · x , ξ ).
Así, Z ∞ Z ∞
∆x log|p| fˇ(p + ξ · x , ξ )dp = log|p|fˇtt (p + ξ · x , ξ )dp.
−∞ −∞
Ahora aplicando integración por partes se llega a que

Z ∞ Z ∞
ˇ
log|p|ftt (p + ξ · x , ξ )dp = log|t − ξ · x |fˇtt (t, ξ )dt
−∞ −∞
∞
fˇp (p, ξ )
Z
= − dp.
−∞ p−ξ ·x
Todo lo anterior se resume en el teorema siguiente.
Teorema 2. Suponga que f ∈ D (Rn ) con n par y n ≥ 2. Dada fˇ(p, ξ ) se puede recuperar a la
función f mediante
Cn (n−2)/2 ∞
fˇp (p, ξ )
Z Z
x) =
f (x ∆x dp dξ (2.7)
iπ |ξξ |=1 −∞ p−ξ ·x
n−1
Cn
Z Z ∞ ∂
∂p fˇ(p, ξ )
= dp dξ
dξ, (2.8)
iπ |ξξ |=1 −∞ p−ξ ·x
donde Cn es la misma dada en el Teorema 1.
El siguiente ejemplo muestra cómo recuperar una función f (x, y) a partir de su transformada
de Radon.
Ejemplo 10. Suponga que n = 2. Luego:
2π ∞
fˇp (p, ξ )
Z Z
1
x) = f (x, y) = − 2
f (x dp dφ, (2.9)
4π 0 −∞ p−ξ ·x
donde ξ = (cos φ, sen φ) y ξ · x = x cos φ + ysen φ.

Realizando algunos cambios de variable se tiene que la ecuación (2.9) puede escribirse como
π ∞
fˇp (p, ξ )
Z Z
1
f (x, y) = − 2 dp dφ,
2π 0 −∞ p−ξ ·x
o de manera alternativa como:

π/2 ∞
fˇp (p, ξ )
Z Z
1
f (x, y) = − dp dφ.
2π 2 −π/2 −∞ p−ξ ·x
Haciendo x = r cos θ y y = rsen θ, se tiene que f en coordenadas polares se escribe como

π ∞
fˇp (p, ξ )
Z Z
1
f (r, θ) = − 2 dp dφ.
2π 0 −∞ p − r cos(φ − θ)
22 2.2. Transformadas directa e inversa de Fourier
Las fórmulas dadas en este ejemplo constituyen una solución al problema de reconstrucción
a partir de las proyecciones fˇ(p, ξ ).
Ahora se analiza la relación entre la transformadas de Radon y la transformada de Fourier.

Para ello se comienza definiendo las transformadas directa e inversa de Fourier de una función f
usando las definiciones dadas en [3]. Posteriormente se da la relación entre las transformadas de
Radon y de Fourier para darse cuenta que recuperar la función f a partir de su transformada de
Radon es más sencilla usando la transformada de Fourier que la transformada inversa de Radon.
2.2. Transformadas directa e inversa de Fourier
Definición 2.2.1. Sea f localmente integrable en Rn (ver definición A.0.1). Si los puntos en
Rn son denotados por x = (x1 , . . . , xn ) y los puntos en el espacio de Fourier n-dimensional por
k = (k1 , . . . , kn ), entonces se define y se denota la transformada de Fourier n-dimensional de f
mediante Z
e x)e−2πikk ·xxdx
F n (f ) = f (kk ) = f (x dx, (2.10)
y la transformada inversa de Fourier de la función f˜ como

Z
x) = F n f = f˜(kk )e2πikk ·xxdk
f (x −1 e
dk. (2.11)
Observación 1. Note que fe(kk ) es una función de valores complejos de k . Mas aún, si n = 1, k = 0
entonces Z ∞
F 1 (f ) = fe(0) = f (x)dx,
−∞
es decir, se tiene la integral usual de la función f .

Ejemplo 11. Sea f : R → R dada por
(
0 si x≤0
f (x) = −ax
e si x > 0,
con a > 0.
Se sigue que:
Z ∞
F 1 (f ) = e−2πisx e−ax dx
0
Z ∞
= e−x(2πis+a) dx
0
1
= .
2πis + a
Note que la transformada de Fourier de la función f (x) = e−ax es otra función de valores
complejos la cual es continua en su dominio de definición. Esta función es conocida usualmente
Figura 2.2.1: Graficas de f (x) = e−ax para distintos valores de a .
Figura 2.2.2: Graficas de F (e−ax ) = 1

2πis+a para distintos valores de a.
como el espectro de frecuencias de la función f [30]. En otras palabras, la transformada de Fourier

de la función f es una extensión a funciones aperiodicas de las series de Fourier [29].
Se considera este ejemplo en particular ya que muchos fenómenos físicos se modelan mediante
la función exponencial, tales como el crecimiento o decremento de un capital o población. En
este ejemplo la función exponencial modela la pérdida de intensidad a través del cuerpo humano
conforme transcurre el tiempo.
Para conocer más sobre la transformada de Fourier y sus aplicaciones se puede consultar [15] ó
[29].
2.3. Relación entre la transformada de Radon y la transformada

de Fourier
Como se vió anteriormente, encontrar una fórmula explícita de inversión para la transformada
de Radon es muy complicado. En vez de eso, en esta sección se da un teorema que establece la
relación entre la transformada de Radon y la transformada de Fourier lo cual permite recuperar
a la función f de manera más sencilla.
24 2.3. Relación entre la transformada de Radon y la transformada de Fourier
Para ello note que dada f ∈ D localmente integrable se cumple:

Z
F n (f ) = x)e−2πikk ·xxdx
f (x
Z Z ∞
= x)e−2πit δ(t − k · x )dt dx
f (x x, t ∈ R.
−∞
Usando el teorema de Fubini para intercambiar el orden de integración se tiene:

Z ∞Z
F n (f ) = f (kk ) =
e x)e−2πit δ(t − k · x ) dx
f (x xdt,
−∞
luego, si k=s ξ y t=sp con s ∈ R y ξ un vector unitario en Rn , entonces:

Z ∞ Z
fe(s ξ ) = e−2πisp f (xx)δ(p − ξ · x )dx
x dp
Z−∞
∞
= fˇ(p, ξ )e−2πisp dp.
−∞
Es decir, se obtiene:
F n (f ) = F 1 (fˇ) = F 1 (R {f }),
donde fˇ es la transformada de Radon n-dimensional de la función f .
Así, se ha podido establecer la relación que involucra la transformada de Radon con la

transformada de Fourier. Razón por lo cual, se establece en el teorema siguiente ya que esta
relación es fundamental para esta tesis, pues como se verá más adelante, los métodos de inversión
más utilizados se fundamentan en esta relación.
Teorema 3. Sea f ∈ D una función localmente integrable en Rn . Entonces se tiene
F n (f ) = F 1 (fˇ) = F 1 (R {f }). (2.12)
Corolario. Bajo la hipótesis del teorema anterior se observa que:

Z ∞
ˇ −1 e
f (p, ξ ) = (F 1 ) {f (sξξ )} = fe(sξξ )e2πisp ds. (2.13)
−∞
Es decir, se puede hallar la transformada n-dimensional de Radon aplicando la transformada

inversa unidimensional de Fourier a la transformada n-dimensional de Fourier.
Ejemplo 12. Si f = f (x, y), entonces F 2 {f } = F 1 {R (f )}. En efecto, desglosando el lado
derecho de la igualdad anterior se observa que:
Z ∞
F 1 {R (f )} = R (f )e−2πikp dp
−∞
Z ∞Z ∞Z ∞
= f (x, y)δ(p − x cos φ − ysenφ)dxdy e−2πikp dp
Z−∞ −∞ −∞
∞ Z ∞
= f (x, y)e−2πik(x cos φ+ysenφ) dxdy.
−∞ −∞
Haciendo kx = k cos φ, ky = k senφ resulta

Z ∞ Z ∞
F 1 {R (f )} = f (x, y)e−2πi(xkx +yky ) dxdy
−∞ −∞
= F 2 {f }.
2 2
Ejemplo 13. Sea f (x, y) = (x2 + y 2 )e−π(x +y ) .
Calcularemos la transformada de Radon de f por el método directo y el método de la transfor-
mada de Fourier:
Método Directo:
Usando la linealidad de la transformada de Radon se tiene
2 +y 2 ) 2 +y 2 ) 2 +y 2 )
R ((x2 + y 2 )e−π(x ) = R (x2 e−π(x ) + R (y 2 e−π(x ).
Ahora mediante algunos cálculos se llega a:

Z ∞Z ∞
2 −π(x2 +y 2 ) 2 2
R (x e ) = x2 e−π(x +y ) δ(p − xξ1 − yξ2 )dxdy
−∞ −∞
2 2
p (ξ1 )2 (ξ2 )2

− πp 2
= e ||ξ
ξ || + ,
||ξξ ||3 2π||ξξ ||
y de manera similar se prueba que:

πp2
p2 (ξ2 )2 (ξ1 )2

2 −π(x2 +y 2 ) − ξ ||2
R (y e )=e ||ξ + .
||ξξ ||3 2π||ξξ ||
2 +y 2 ) 2
Si ξ = (cosφ, senφ), entonces R ((x2 + y 2 )e−π(x ) = e−πp (p2 + 1
2π ).
Método de la transformada de Fourier:

Aplicando la transformada bidimensional de Fourier a la función f se tiene:
Z ∞ Z ∞
2 +y 2 )
f˜(su, sv) = (x2 + y 2 )e−π(x e−2πis(xu+yv) dxdy,
−∞ −∞
se puede ver que

2 2 2
f˜(su, sv) = e−πs (u +v ) ( π1 − s2 (u2 + v 2 )).
Si se evalúa en u2 + v 2 = 1 con ξ = (u, v), entonces se tiene
2
f˜(sξξ ) = e−πs ( π1 − s2 ).
26 2.3. Relación entre la transformada de Radon y la transformada de Fourier
Usando el Corolario del Teorema 3 se concluye
fˇ(p, ξ ) = F 1 −1 (f˜(sξξ ))
Z ∞
= f˜(sξξ )e2πisp ds
−∞
Z ∞
1 2 2 1
= ( − s2 )e−πs e2πisp ds = e−πp (p2 + ).
−∞ π 2π
Si el lector comprueba los resultados obtenidos en este ejemplo mediante los dos métodos,
notará que resulta más complicado hacer los cálculos de la transformada de Radon usando el
método de la transformada de Fourier que hacerlo directamente. Sin embargo, como se vió en la
unidad anterior, es muy difícil aplicar la transformada inversa de Radon, motivo por el cual se
ilustran en el Capítulo 3 algunos métodos que usan la relación mostrada en el Teorema 3.
Capítulo 3
Métodos de inversión
Una vez que se analizó la transformada de Radon y su relación con la transformada de Fourier,
se exponen algunos métodos recientes de inversión de la transformada de Radon.
La siguiente fórmula dada en [33],

Z ∞
1 dF p (q)
f (P ) = − ,
π 0 q
es equivalente a las fórmulas dadas en el Teorema 2 del Capítulo 2 y es una solución al problema
de reconstrucción a partir de proyecciones.
La fórmula dada es válida cuando f es una función continua con soporte compacto(ver Apéndice
A, Definición A.0.2.) y las proyecciones fˇ son conocidas para todas las rectas L. La condición
de soporte compacto no tiene inconvenientes dado que se puede considerar al objeto en cuestión
dentro del disco unitario, y la condición de continuidad se puede corregir en la mayoría de los
casos. Sin embargo, dado que en la práctica se toma un número finito de proyecciones, surgen
problemas relacionados con la unicidad de la solución. De hecho, el siguiente teorema refleja la
dificultad de encontrar una única función f en las aplicaciones ([20],[31]):
Teorema. Sea f : R2 → R una función de soporte compacto. Dada fˇ(p, φ) para todo valor de
p ∈ R y φ ∈ [0, 2π), se puede recuperar f a partir del conocimiento de fˇ(p, φ) mediante
π ∞
fˇp (p, ξ )
Z Z
1
f (x, y) = − 2 dp dφ,
2π 0 −∞ p−ξ ·x
donde ξ = (cos φ, sen φ).
Note que este teorema indica que la función f no se puede obtener mediante un número finito
de proyecciones.
Los algoritmos que a continuación se presentan son para el problema de reconstrucción bidimen-
sional a partir de proyecciones donde la proyección constituye una muestra de la transformada
de Radon en R2 .
27
28 3.1. Método directo de Fourier
3.1. Método directo de Fourier
En esta sección se estudiará el método directo de Fourier. Se analizará el Teorema 3 para los
casos bidimensional y tridimensional ya que en estos casos es donde existen las aplicaciones.
3.1.1. Dos dimensiones
La versión bidimensional del teorema de la proyección de cortes es equivalente al teorema del

corte central y básicamente establece la relación entre la transformada bidimensional de Fourier
de una función f (x, y) y la transformada unidimensional de Fourier de la transformada de Radon
de la función f , es decir
F 2 {f } = F 1 {R (f )} = F 1 {fˇ}. (3.1)
Note que existe un cambio de coordenadas entre coordenadas rectangulares y coordenadas

polares en el espacio de Fourier como lo ilustra la Figura 3.1.1 ya que
F 2 {f (x, y)} = fe(kx , ky ),
mientras que
F 1 fˇ(p, φ) = fě(k, φ).
Así, se puede pasar de coordenadas rectangulares a coordenadas polares en el espacio bidimen-
sional de Fourier obteniéndose fe(kx , ky ) = fě(k, φ), donde k = (kx2 + ky2 )1/2 y φ = tan−1 (ky /kx ).
Figura 3.1.1: Diagrama del teorema de cortes de Fourier en dos dimensiones.
Se sigue que en términos de una proyección de f a un ángulo fijo φ = θ, denotado por fˇθ (p),
la misma información es contenida en la proyección fˇθ (p) como en un corte al mismo ángulo θ
de la transformada bidimensional de Fourier de f .
Esto es, fe(kx , ky ) evaluado en la recta que pasa por el origen a un ángulo θ en el espacio de
Fourier es equivalente a la transformada unidimensional de Fourier de la proyección fˇθ (p), donde

el ángulo de proyección es el mismo ángulo θ como lo ilustra la Figura 3.1.2. Después de realizar
Figura 3.1.2: Ilustración geométrica del teorema de cortes de Fourier bidimensional.
el cambio de coordenadas, fe(kx , ky ) puede ser escrito como fě(k, φ), donde k = (kx2 + ky2 )1/2 y
φ = tan−1 (ky /kx ). Si φ = θ, entonces:
fe(k, θ) = fěθ (k).
Con lo anterior, se tiene el siguiente teorema.
Teorema 4 (Teorema de Cortes de Fourier). Sea f : R2 → R una función de prueba. Para

φ ∈ [0, 2π) se tiene que:
fe(k, φ) = fěφ (k). (3.2)
En resumen, el teorema de cortes de Fourier establece que la transformada unidimensional

de Fourier de la proyección de una función f (x, y), obtenida a partir de rayos paralelos entre sí
y formando un ángulo φ con el eje X, es el corte o muestreo de la transformada bidimensional
de Fourier de la función fe(kx , ky ) a lo largo de una recta que forma un ángulo φ con el eje kx .
Según este teorema, si se tienen todas las proyecciones fˇ(p, φ) se puede obtener f (x, y) calculando
la transformada inversa de Fourier bidimensional a Sφ (w), es decir,
f (x, y) = F 2 −1 {Sφ (w)}.
Dado que Sφ está en coordenadas polares es necesario un cambio de coordenadas polares a

coordenadas cartesianas como lo ilustra la Figura 3.1.3.
Cuando una reconstrucción se obtiene mediante el Teorema de cortes de Fourier, se dice

usualmente que se uso el método directo de Fourier.
30 3.1. Método directo de Fourier
Figura 3.1.3: Diagrama que ilustra el cambio de coordenadas en el espacio de Fourier.
3.1.2. Tres dimensiones
Antes que nada, recuerde que en general una recta L en el espacio puede ser escrita en forma
vectorial como:
L = L0 + sττ , (3.3)
donde L0 es un vector de desplazamiento, s ∈ R y τ es el vector director como lo ilustra la Figura

3.1.4. Note que el vector L − L0 es paralelo al vector τ , el cual se supondrá unitario y puede ser
escrito como:  
cos φ cos θ
τ = sen φ cos θ
 
sen θ
El vector de desplazamiento L0 puede ser descrito como:
α + vβ
L0 = uα β, (3.4)
donde u, v ∈ R y α , β son dos vectores de dirección normalizados. Note que dichos vectores se
pueden elegir de tal forma que τ , α , β formen una base ortonormal para R3 . Los vectores α , β
pueden ser descritos de diferentes formas, en este caso se consideran como los describe [27]:
   
−sen φ − cos φ sen θ
α =  cos φ  y β =  −senφ sen θ  .
   
0 cos θ
Cabe mencionar que existen diferentes formas de definir estos vectores unitarios, por ejemplo,
algunas pueden hallarse en [23], [22].
Siguiendo [4], se tiene que las integrales de línea en R3 se pueden expresar usando las ecuaciones
(3.3), (3.4) como Z ∞
ˇ
f (φ, θ, u, v) = f (sττ + uα
α + vβ
β )ds. (3.5)
−∞
Figura 3.1.4: Representación geométrica de una recta en el espacio.
La transformación del dominio (x, y, z) al dominio (s, u, v) es muy útil ya que si

     
x cos φ cos θ −sen φ − cos φ sen θ s
L = y  = sen φ cos θ cos φ −senφ sen θ  · u = Qp ,
     
z sen θ 0 cos θ v
entonces usando el hecho de que los vectores τ , α , β son ortogonales y unitarios se tiene que
     
s cos φ cos θ senφ cos θ senθ x
p = u =  −senφ cos φ 0  · y  = Qt L .
     
v − cos φ senθ −senφ senθ cos θ z
Una característica de la matriz Q es que sólo dos ángulos son necesarios, mientras que una matriz
de rotación en general usa tres ángulos de rotación.
Así, si Z ∞
fˇ(φ, θ, u, v) = f (sττ + uα
α + vβ
β )ds,
−∞
entonces aplicando la transformada bidimensional de Fourier a la expresión anterior se tiene:
F 2 {fˇ(φ, θ, u, v)} = F̌ (φ, θ, ku , kv )

Z ∞Z ∞
= fˇ(φ, θ, u, v)e−2πiuku +vkv dudv
Z−∞ −∞
∞ Z ∞ Z ∞
= f (sττ + uα β )e−2πiuku +vkv dsdudv.
α + vβ (3.6)
−∞ −∞ −∞
Por otro lado, dado que:

Z ∞ Z ∞ Z ∞
F 3 {f (L
L)} = F̌ (K
K) = L)e−2πiL
f (L L.K
K
dL
dL,
−∞ −∞ −∞
entonces Z ∞ Z ∞ Z ∞
L.K
K
L) =
f (L K )e2πiL
F̌ (K dK
dK. (3.7)
−∞ −∞ −∞
32 3.2. Retroproyección
Como L = sττ + uα
α + vββ y dado que u = α · L y v = β · L , se tiene que 3.6 queda como
Z ∞Z ∞Z ∞
F̌ (φ, θ, ku , kv ) = L)e−2πiL
f (L L·(kuα +kv β )
dL
dL. (3.8)
−∞ −∞ −∞
Este resultado muestra que la transformada bidimensional de Fourier de las integrales de linea es
la transformada tridimensional de Fourier de la función f , es decir, es la versión tridimensional
del teorema de cortes de Fourier.
En resumen se tiene el siguiente teorema
Teorema 5. Dadas f : R3 −→ R, L una recta en el espacio dada como en (3.3) donde α , β son
como se describieron anteriormente, se tiene que:
F 2 {fˇ(φ, θ, u, v)} = F 3 {f (L
L)}. (3.9)
L) se puede recuperar aplicando una transformada bidimensional de Fourier

Así, la función f (L
al sinograma para todos los valores de φ, θ para posteriormente aplicar la transformada inversa
tridimensional de Fourier.
Como última observación note que si θ = 0, u = p, v = z0 , entonces de la ecuación (3.5) se

tiene: Z ∞
ˇ
f (p, φ, 0) = f (s cos φ − p sen φ, s sen φ + p cos φ)ds, (3.10)
−∞
la cual es la transformada de Radon bidimensional aplicada en el plano z = z0 donde el pará-

metro angular φ ha sido rotado 90◦ comparada con la definición de la transformada de Radon
bidimensional dada en el Capítulo 1.
3.2. Retroproyección
Se comienza esta sección definiendo el operador de retroproyección, el cual servirá en lo que

resta de esta sección.
Definición 3.2.1. Considere una función arbitraria ψ(t, ξ ) localmente integrable, donde
t = ξ · x = x cos φ + y senφ. Se define el operador de retroproyección B como
Z π
B (ψ)(x, y) = ψ(x cos φ + y senφ, ξ )dφ, (3.11)
0
o en coordenadas polares mediante

Z π
B (ψ)(r, θ) = ψ(r cos(θ − φ), φ)dφ, (3.12)
0
donde x = r cos θ y y = r senθ.

(a) Dos proyecciones de un objeto rectangular. (b) Retroproyección de dos proyecciones.
Figura 3.2.1: Descripción geométrica de las retroproyecciones, donde las retroproyecciones se

sobreponen para aproximar al objeto original.
La interpretación geométrica de la retroproyección para sólo dos proyecciones se ilustra en la

Figura 3.2.1. Ahora se define el operador de imagen retroproyectada como
b(x, y) = B fˇ(p, φ)
Z π
= fˇ(x cos φ + ysenφ, φ)dφ.
0
Un resultado útil mostrado en [3] es que la función original f (x, y) convolucionada con 1/r da
como resultado la función retroproyectada, es decir,
1
b(x, y) = f (x, y) ∗ ∗
Z ∞Z ∞ r
f (x 0 , y 0 )dx 0 dy 0
= 1/2
, (3.13)
−∞ −∞ [(x − x 0 )2 + (y − y 0 )2 ]
donde r = (x2 + y 2 )1/2 y ** representa la convolución bidimensional [25]. Esto puede verse
como el operador B actuando sobre fˇ, donde fˇ = F 1 −1 {F 2 (f )} es usado para las proyecciones
−1
B fˇ = B F 1 {F 2 (f )}, (3.14)
o equivalentemente usando la ecuación (3.12)
−1
b(r, θ) = B F 1 fe(k, φ). (3.15)
34 3.2. Retroproyección
Aquí, φ = tan−1 (ky /kx ), k = (kx2 + ky2 )1/2 y F 1

−1 transforma la variable k. Explícitamente:
Z ∞
b(r, θ) = B fe(k, φ)e2πitk dk
−∞
Z πZ ∞
= fe(k, φ)e2πikr cos(θ−φ) dkdφ
0 −∞
Z 2π
= k −1 fe(k, φ)e2πikr cos(θ−φ) kdkdφ
0
−1
= F 2 {k −1 fe}.
Ahora, del teorema de convolución ([3],[28]) se tiene:
−1 −1
b(r, θ) = F {fe} ∗ ∗F
2 2 {k −1 }
1
= f (r, θ) ∗ ∗ (3.16)
r
el cual es equivalente a la ecuación (3.13).
Figura 3.2.2: Proceso de reconstrucción de un objeto usando solamente la retroproyección.
El proceso de retroproyección por sí solo no reconstruye perfectamente la función f , sino que

genera una versión difuminada (borrosa) de la misma (ver Figura 3.2.21 ). Este fenómeno se debe
1
Imagen tomada de [10].
a que la función retroproyectada, con respecto a la función original, corresponde a la ecuación

(3.13).
3.3. Retroproyección filtrada
Figura 3.3.1: Proceso de reconstrucción de un objeto usando retroproyección filtrada mediante

Matlab.
Para corregir el problema de la visión difuminada en la retroproyección, existe el método

de retroproyección filtrada el cual transforma las proyecciones simples en proyecciones filtradas
aplicando un filtro, esto con el fin de obtener proyecciones más nítidas y con menos factores de
ruido como lo ilustra la Figura 3.3.1.
Es importante recordar que esta sumatoria se puede hacer ya sea en el dominio de Fourier o
en el espacio de dominio debido a la linealidad de la transformada de Fourier. Como su nombre
indica, hay dos pasos dentro del algoritmo de retroproyección filtrada: la parte de filtrado, que
puede visualizarse como una ponderación de cada proyección en el dominio de frecuencia, y la
parte de retroproyección, que es equivalente a encontrar las reconstrucciones correspondientes a
cada una de las proyecciones filtradas.
A partir de la relación
Z ∞Z ∞
f (kx , ky ) =
e f (x, y)e−2πi(xkx +yky ) dxdy,
−∞ −∞
se tiene Z ∞ Z ∞
f (x, y) = fe(kx , ky )e2πi(xkx +yky ) dkx dky . (3.17)
−∞ −∞
36 3.3. Retroproyección filtrada
Pasando de coordenadas rectangulares a coordenadas polares mediante:
kx = k cos φ, ky = k senφ, dkx dky = k dk dφ,
se puede reescribir (3.17) como:

Z 2π Z ∞
f (x, y) = fe(k, φ)e2πik(x cos φ+y senφ) k dk dφ. (3.18)
0 0
La ecuación anterior puede separarse en dos sumandos considerando φ variando de 0 a π y de π

a 2π. Así
Z πZ ∞
f (x, y) = fe(k, φ)e2πik(x cos φ+y senφ) k dk dφ
0 0
Z πZ ∞
+ fe(k, φ + π)e2πik[x cos(φ+π)+y sen(φ+π)] k dk dφ,
0 0
y usando la propiedad
fe(k, φ + π) = fe(−k, φ),
la expresión (3.18) para f (x, y) puede expresarse como:

Z π Z ∞
2πikp
f (x, y) = f (k, φ)|k|e
e dk dφ, (3.19)
0 −∞
donde se ha simplificado la expresión usando p = x cos φ + y senφ. Ahora, se denota Sφ (k) como
Sφ (k) = F 1 {R (f )} = F 2 {f },
con lo que la expresión (3.19) queda como

Z π Z ∞
2πikp
f (x, y) = Sφ (k)|k|e dk dφ. (3.20)
0 −∞
Finalmente la ecuación (3.20) se puede expresar mediante:

Z π
f (x, y) = Qφ (x cos φ + y senφ)dφ, (3.21)
0
donde Z ∞
Qφ (p) = Sφ (k)|k|e2πikp dk. (3.22)
−∞
La ecuación (3.22) representa una operación de filtrado (convolución) donde la respuesta en

frecuencia del filtro está dada por |k|; por lo tanto, Qφ (p) es llamada una proyección filtrada. Las
proyecciones resultantes para distintos ángulos φ son superpuestas para formar la estimación de
f (x, y).
Capítulo 4
Tomografía Axial Computarizada
Como último capítulo de esta tesis, se aborda el tema de la Tomografía Axial Computarizada
(TAC), se analiza su relación con la transformada de Radon y se ilustra un ejemplo de cómo
aplicar este método de reconstrucción.
La TAC nace como una técnica de diagnóstico en medicina mediante la visualización por rayos
X. El fundamento de la tomografía es la adquisición de una imagen por rayos X de un corte
transversal de un objeto para distintos ángulos de rotación con respecto al mismo. Cada una de
estas imágenes es una proyección, y la tomografía es la técnica de reconstrucción de imágenes a
partir de proyecciones de un objeto. La palabra axial deriva de su uso médico, originado porque
las proyecciones se obtienen rotando el tubo y el detector en torno a un eje.
4.1. Generaciones de sistemas tomográficos
En esta sección se dan a conocer algunos de los diferentes tipos de sistemas tomográficos que
se han venido desarrollando en las últimas décadas.
La historia posiblemente comenzó en 1895 cuando el físico alemán Wilhelm Konrad Röntgen
(1845-1923) descubrió los rayos X, al observar como se había cubierto una placa fotográfica [32].
Röntgen descubrió además las propiedades penetrantes de los rayos X sobre la materia y la acción
de estos sobre las películas químicas de placas fotográficas y pantallas fluorescentes. Con estas
propiedades de los rayos X fue posible obtener imágenes bidimensionales o radiografías del inte-
rior del cuerpo humano, aunque debido al escaso avance tecnológico de la época no fue posible
detectar la complejidad anatómica de tejidos suaves tales como músculos, tendones, nervios y
vasos sanguíneos.
Un importante progreso fue cuando se logró medir la cantidad de rayos X absorbidos por dis-
tintos materiales mediante un detector. Este avance permitió asociar a cada material una única
función llamada coeficiente de atenuación, la cual mide la capacidad del material para absorber
o dispersar la radiación de rayos X y es característica de cada material. Los datos obtenidos al
radiar un objeto por medio de rayos X desde distintas direcciones suelen llamarse las proyecciones
del objeto ([6],[7]).
37
38 4.1. Generaciones de sistemas tomográficos
En 1917 Johann Radon demostró matemáticamente que se puede reconstruir un objeto bidimen-
sional o tridimensional si se conocen todas sus proyecciones ([11],[33]). Sin embargo sus trabajos
permanecieron en el olvido aproximadamente 50 años hasta que Cormack y Hounsfield usaron
sus resultados para crear de manera independiente las bases de la tomografía computarizada.
El primer tomógrafo fue construido por Hounsfield en 1972; este tipo de escáneres se caracteriza-
ba por trabajar con un único detector y una fuente de rayos X altamente colimada(Técnica para
hacer los rayos X paralelos). De esta manera, tanto la fuente como el detector se trasladaban
linealmente hasta cubrir al objeto de estudio, para después rotarlos conjuntamente y realizar la
siguiente proyección, tal como lo ilustra la Figura 4.1.11 . Como se podrá imaginar, el tiempo
Figura 4.1.1: Generaciones de tomógrafos. a) 1a generación: traslación lineal con un único detec-
tor, b) 2a generación: traslación lineal con múltiples detectores, c) 3a generación: detector lineal
o en arco, d) 4a generación: anillo de detección estático.
de adquisición entre proyecciones era muy alto, por lo que surgieron los tomógrafos de segunda
generación que esencialmente tenían el mismo mecanismo que los tomógrafos de primera gene-
ración salvo que ahora se incluían varios elementos detectores.
Los tomógrafos de tercera generación se caracterizan por tener un arreglo de detectores ya sea
lineal o en arco suficientemente largo tal que el campo de visión cubra al objeto en cualquier
proyección; de esta manera se elimina la traslación lineal, disminuyendo el tiempo de adquisición.
Esta geometría es conocida como fanbeam o geometría en abanico.
Dentro de la geometría de los escáneres de tercera generación, si se aumenta el número de detec-
tores perpendicular al plano de proyección se obtiene la llamada geometría cone-beam o de haz
1
Imagen tomada de [8] para un objeto tridimensional.
cónico, tal como lo ilustra la Figura 4.1.2.
Figura 4.1.2: Ilustración de las diferentes geometrías: a)geometría paralela b)geometría fanbeam
c)geometría cone-beam.
Los algoritmos de reconstrucción varían entre estos dos tipos de geometrías a pesar de estar
en la misma generación de escáneres: la reconstrucción fanbeam se realiza mediante el algoritmo
de retroproyección filtrada mientras que la reconstrucción cone-beam se aproxima mediante mé-
todos iterativos menos exactos que la fanbeam.
Los tomógrafos de cuarta generación introducidos en 1976 constan de un arreglo de detectores
colocados en forma circular tal que cubren al objeto de estudio, mientras que el tubo emisor
de rayos X gira dentro del arreglo, iluminando varios elementos de detección a la vez [14]. No
obstante, el tamaño del anillo necesario para mantener una distancia adecuada entre el paciente y
la fuente de Rayos X, y la cantidad de detectores requerida para alcanzar una resolución espacial
aceptable, hicieron que este diseño resultara prácticamente muy costoso. Aproximadamente en
Figura 4.1.3: Tomógrafo en espiral.
1978 se introdujo la tomografía por rayo de electrones (EBCT, del ingles electron beam computed
40 4.2. El problema inverso de la Tomografía Axial Computarizada
tomography) que constituye la quinta generación de tomógrafos. El EBCT utiliza una arqui-
tectura estacionaria, donde un rayo de electrones hace un barrido a lo largo de cuatro placas
semicirculares que rodean al paciente ([10]).
En la década de los 80’s surgieron los tomógrafos de quinta generación los cuales consistían de
aproximadamente 14 fuentes fijas de rayos X y numerosos detectores también fijos lo cual per-
mitía una alta resolución espacial, sin embargo debido al gran peso de hasta 15 toneladas y el
costo de varios millones de dólares nunca logró hacerse comercial salvo en Estados Unidos.
La sexta generación de tomógrafos es la constituida por tomógrafos en espiral o helicoidal (Fi-
gura 4.1.32 ), la cual usa la geometría fanbeam salvo que se caracteriza por hacer un movimiento
continuo de la camilla a través del gantry (parte del tomógrafo en continua rotación que contiene
el tubo de rayos X y el arreglo de detectores). La posibilidad de escanear órganos y regiones
anatómicas en un período muy corto de tiempo demostró las ventajas de esta innovación, sin
embargo, en la tomografía en espiral los tubos de rayos X se podían sobrecalentar. Este hecho
impulsó el desarrollo de las arquitecturas con múltiples detectores y en 1998 llevó a la introduc-
ción de modelos de séptima generación: tomógrafos multi-tajadas (MSCT, del inglés Multi-Slice
Computed Tomography), también llamados multi-detectores (MDCT, del inglés Multi-Detector
Computed Tomography). Estos equipos se caracterizan, principalmente, por tener arreglos mul-
tidimensionales (varias líneas de detectores) y se basan en la geometría cone-beam. Así, permiten
recoger datos correspondientes a varias tajadas simultáneamente y, por consiguiente, reducen el
número de rotaciones del tubo de rayos X necesaria para cubrir una región anatómica específica
([6], [14], [19]).
4.2. El problema inverso de la Tomografía Axial Computarizada
Considere un plano fijo a través del cuerpo humano. Denote con ρ(x, y) el cambio de densidad
en el punto (x, y) y suponga que L es una recta en el plano que interseca al cuerpo. Suponga que
se envía un haz delgado de rayos X al interior del cuerpo a lo largo de la dirección determinada
por la recta L y se mide qué tanto es atenuada la intensidad del rayo cuando pasa a través del
cuerpo. Parametrizando L mediante
p eiφ + s eiφ ∈ C, s ∈ R,
donde se hace la identificación de C con R2 . Se tiene que la atenuación de la intensidad I está

descrita aproximadamente por dI = −γρIds con γ una constante. Integrando a lo largo de la
recta L se tiene Z s
ln I(s) = −γ ρ(p eiφ + s eiφ )ds,
s0
o asumiendo que ρ es de soporte compacto, el algoritmo de la variación de intensidad del haz al

ser aplicado en la dirección L viene dado por
Z ∞
ln I(∞) = −γ ρ(p eiφ + s eiφ )ds.
−∞
2
Imagen tomada de [21].
De esta forma se ve que a partir del conocimiento de la distribución de las densidades en el interior
del cuerpo, la cual corresponde a los factores de atenuación del haz de rayos X, se pueden calcular
todas las integrales de línea. Esta es la llamada transformada de Radon
Z ∞
ˇ
f (p, φ) = ρ(p eiφ + s eiφ )ds, p ∈ R, φ ∈ [0, π). (4.1)
−∞
El problema directo es calcular la transformada de Radon cuando ρ es dada, mientras que el

problema inverso es hallar la función de densidades ρ si se conocen los valores de su transformada
de Radon.
Se tiene que el problema inverso es un problema mal planteado(ver Apéndice B, Definición B.1.1).
En efecto, supongap que ρ tiene simetría radial y considere las rectas L paralelas al eje Y . Se tiene
que ρ = ρ(r), r = x2 + y 2 , y el rayo Lx que pasa a través de (x, 0) se puede parametrizar por
(x, s), s ∈ R. Esto conduce a
Z ∞ p
V (x) := ln(∞) = −2γ ρ( x2 + y 2 )ds. (4.2)
0
Si nuevamente se asume que ρ es de soporte compacto contenido en X donde

X := {x ∈ R : |x| ≤ R, R suficientemente grande}, mediante el cambio de variable
√
s = r2 − x2 en (4.2) se llega a
Z ∞ Z R
r ρ(r) r ρ(r)
V (x) = −2γ √ dr = −2γ √ dr.
x r 2 − x2 x r 2 − x2
Un último cambio adicional en las variables z = R 2 − r2 y y = R 2 − x2 transforma esta ecuación

en la siguiente ecuación integral de Abel para la función
√
z 7→ ρ( R2 − z) :
Z y √ 2
p
2
ρ( R − z)
V ( R − y) = −γ √ dz, 0 ≤ y ≤ R.
0 y−z
Asi, el problema inverso es hallar ρ en esta última ecuación conociendo V , el cual es un problema
mal planteado (ver Ejemplo 22).
¿Qué tan serio es que este problema inverso sea mal planteado? Como ya se sabe, la estabilidad de
la solución no está asegurada, por lo que en aplicaciones deben hallarse métodos que aseguren una
buena estimación de la función f , ya que regularmente existen perturbaciones en la recolección
de datos tales como factores de ruido. Para ello, se utiliza la regularización(filtros) para hallar a
la mejor aproximación de la solución.
4.3. Adquisición de datos a partir de integrales de línea
Una imagen tomográfica o perfil consiste en las medidas de flujo de radiación a través de
un objeto para distintos ángulos de incidencia. Considere un corte transversal que se divide
en vóxels con dimensiones ∆x, ∆y, ∆z donde a cada vóxel puede asignarse una atenuación µ.
42 4.3. Adquisición de datos a partir de integrales de línea
(Figura 4.3.13 )
Figura 4.3.1: Proceso de adquisición de una imagen.
Considérese también un rayo de intensidad I0 , que penetra un objeto a lo largo de una

trayectoria L, en línea recta, pasando por cada vóxel (o región discretizada del objeto) con una
distribución no homogénea de atenuaciones µ(x). La intensidad del rayo que alcanza el detector
I(x) depende no sólo de la distancia atravesada x sino también de la atenuación µ(x) de cada
punto en su trayectoria, obedeciendo la ley de Beer-Lambert:
R
I(x) = I0 e− L µ(x)dx
. (4.3)
Dado que es posible medir tanto I0 como la intensidad de salida I(x) en el detector del
tomógrafo, resulta conveniente escribir (4.3) como:
Z
I(x)
p(x) = −ln = µ(x)dx. (4.4)
I0 L
La ecuación (4.4) constituye una integral de línea o transformada de Radon de los coeficientes
de atenuación lineal a través del recorrido de los rayos X. La proyección p(x), formada por las
integrales de línea paralelas o en abanico tiene implicaciones importantes. La primera, que el
detector registra la integral de línea y ésta depende de las atenuaciones en cada región del objeto
en la trayectoria del rayo. La segunda, que aunque se usa información volumétrica, el detector
registra la proyección p(x), que es una señal unidimensional para cada ángulo φ.
Una de las suposiciones hechas es que cada vóxel contiene una atenuación uniforme (que corres-
ponde a un tejido específico), lo cual no es necesariamente cierto, ya que es muy probable que
existan vóxeles con dos o más materiales simultáneamente. Este efecto es llamado el efecto del
3
Imagen tomada de [10] para un objeto tridimensional.
volumen parcial que en algunas aplicaciones específicas (que no se abordan en esta tesis) debe
ser corregido.
4.4. Reconstrucción de imágenes
En la reconstrucción tomógrafica se presentan una serie de proyecciones medidas de 0 a 2π

(aunque teóricamente sólo se necesitan proyecciones que cubran hasta π) en el senograma o
transformada de Radon. Un senograma es el conjunto de proyecciones del objeto variando φ de
0 a 2π como lo ilustra la Figura 4.4.1.
(a) Imagen original. (b) Senograma de la imagen original.
Figura 4.4.1: Representación de la imagen original y su respectivo senograma.
Si se denota como f (x, y) al mapa de atenuación del objeto que se quiere reconstruir y fˇ(p, φ)
la proyección de f (x, y) a un ángulo φ, entonces se tiene que p = x cos φ + y sen φ. De donde
Z ∞
ˇ
f (p, φ) = f (x, y)ds,
−∞
la cual es la transformada de Radon bidimensional de la función f presentada en el Capítulo 1,

la cual se puede reescribir como:
ZZ
ˇ
f (p, φ) = f (x, y)δ(p− x cos φ − ysenφ)dxdy.
R2
Las proyecciones tomográficas pueden expresarse como la transformada de Radon del mapa
de atenuaciones del objeto que se desea reconstruir, con lo cual el problema de la reconstrucción
es equivalente a encontrar la inversa de la transformada de Radon.
44 4.5. Algoritmo de retroproyección filtrada
Figura 4.4.2: Diagrama que muestra la transformada de Radon o proyección de un objeto a un

ángulo φ.
Para ello recuérdese que la transformada de Fourier de la expresión anterior es:

Z ∞
ˇ
F 1 {f (p, φ)} = fˇ(p, φ)e−2πitp dp.
−∞
El resultado del Ejemplo 12 mostrado en el Capítulo 2 es conocido como el teorema de cortes de

Fourier, y establece que la transformada unidimensional de Fourier de una proyección fˇ(p, φ) de
un objeto es igual a la transformada bidimensional de Fourier de la función f (x, y) evaluada en
la recta de esta proyección, es decir:
F 2 {f } = F 1 {R (f )}. (4.5)
El teorema de cortes de Fourier indica que la proyección al ángulo φ produce una sección
transversal de la transformada bidimensional de Fourier del objeto original como lo ilustra la
Figura 4.4.3.
La transformada inversa de Fourier de F 2 {f } deja como resultado la reconstrucción completa

de f (x, y), es decir:
f (x, y) = F 2 −1 { F 1 {R (f )}}.
4.5. Algoritmo de retroproyección filtrada
Como se vió en la sección anterior, es posible recuperar a la función f usando el teorema de

cortes de Fourier, sin embargo; al momento de implementar este método, resulta muy costoso en
cuestiones computacionales debido a la gran cantidad de proyecciones que se realizan. Para esto,
Figura 4.4.3: Ilustración del teorema de cortes de Fourier.
se han investigado diferentes técnicas de implementación de este tipo de reconstrucción. Entre

ellos destaca el algoritmo de retroproyección filtrada, el cual se describirá en esta sección.
Recordando la fórmula de retroproyección filtrada obtenida en el Capítulo 3, se tiene:

Z πZ ∞
f (x, y) = F 1 {fˇ(p, φ)}e2πitk |k|dkdφ
Z0 π −∞
= Qφ (x cos φ + y senφ)dφ, (4.6)
0
donde: Z ∞
Qφ (p) = Sφ (k)|k|e2πikp dk.
−∞
Por lo tanto es posible recuperar a la función f aplicando un filtro |k|. El objetivo de usar
este filtro es recuperar las altas frecuencias que se han atenuado en el proceso de retroproyección.
Con todo, el algoritmo de retroproyección filtrada puede implementarse como sigue:
Aplicar la transformada de Fourier unidimensional a las proyecciones para obtener Sφ (k).
Multiplicar Sφ (k) por el filtro |k|.
Calcular la transformada inversa de Fourier unidimensional de Sφ (k)|k| para obtener las

proyecciones filtradas Qφ (p).
Aplicar el operador de retroproyección a Qφ (p).
Note que como Qφ (p) = F 1 −1 {|k| F 1 {R (f )}}, entonces por el teorema de convolución Qφ (p)
46 4.5. Algoritmo de retroproyección filtrada
se puede expresar como
Qφ (p) = F 1 −1 {|k|} ∗ F 1 −1 {F 1 {R (f )}}

= F 1 −1 {|k|} ∗ R (f ). (4.7)
Observe que la función: Z ∞

−1
E(p) = F 1 {|k|} = |k|e2πikp dk
−∞
no existe para todos los valores de p. Para ello considere p = 0, luego E(0) es simplemente el
área bajo la curva |k|, sin embargo, cuando k → ±∞ se tiene que E(0) → ∞. Así, la ecuación
(4.7) no puede aplicarse directamente.
Para ello suponga que la transformada de Fourier de la proyección es de soporte compacto. Bajo
este supuesto, se tiene que: Z Γ
Qφ (p) = Sφ(k)|k|e2πikp dk.
−Γ
Esta ecuación indica que para calcular la proyección filtrada Qφ (p), primero hay que calcular la
transformada de Fourier unidimensional de la transformada de Radon para obtener Sφ(k), mul-
tiplicándola después por |k| en el rango de (−Γ, Γ) para posteriormente calcular la transformada
inversa de Fourier unidimensional. Desafortunadamente en la práctica esto no es tan sencillo de
realizar puesto que no es tan sencillo discretizar el filtro. Para asegurar un buen muestreo, el
ancho de banda Γ tiene que satisfacer el criterio de muestreo de Nyquist ([14]):
1
Γ= ciclos/mm,
2δ
donde δ es el intervalo de muestreo de la proyección en milímetros. Bajo esta condición, se puede
definir la función H(w) como:

 |w|, si
 |w| < Γ;
H(w) =

 0, si |w| ≥ Γ,
cuya transformada inversa de Fourier es la función:
Z Γ
h(p) = |w|e2πikp dk
−Γ
−1 + cos(2πpΓ) + 2πpΓsen(2πpΓ)
= .
2p2 π 2
Mediante algunos cálculos se ve que la función h puede expresarse como

2
1 sen(2πpΓ) 1 sen(πpΓ)
h(p) = 2 − 2 . (4.8)
2δ 2πpΓ 4δ πpΓ
Dado que la función H(w) es una función par en la variable w, h(p) también es una función par
([14],[15]). Con todo, la ecuación (4.6) queda como:

Z π Z pm
f (x, y) = fˇ(p0 , φ)h(p − p0 )dp0 , (4.9)
0 −pm
donde pm es el valor a partir del cual se tiene fˇ(p0 , φ) = 0 para todo p0 tal que |p0 | > pm . Aquí se
usa el hecho de que f es de soporte compacto. Dado que en las computadoras los cálculos de esta
fórmula de retroproyección filtrada se realizan mediante valores enteros múltiplos de δ, entonces
sustituyendo t = nδ en la ecuación (4.8) se tiene:


 1/4δ 2 , si n = 0;




h(nδ) = 0, n par;





−1/(nπδ)2 , n impar.

En resumen, en esta sección se analizó la fórmula de retroproyección filtrada, observando que

aunque teóricamente es posible reconstruir a la función f , en la aplicación resulta complejo apli-
carla debido a la naturaleza de trabajar con un número finito de proyecciones y la discretización
del kernel truncado |k|.
4.6. Reconstrucción de geometría en abanico
El algoritmo de retroproyección filtrada dado en la sección anterior se establece inicialmente

para una geometría paralela. Sin embargo, ha de modificarse para aplicarlo a la geometría en
abanico (fanbeam). La geometría fanbeam puede ser equiangular o equiespaciada; en la primera,
el detector está dividido en módulos concéntricos con respecto a la fuente de rayos X, de forma
que el espaciado angular entre muestras es el mismo como se ve en la Figura 4.6.1. En la geometría
equiespaciada, los detectores ocupan una línea y están separados una distancia fija entre ellos,
que no mantiene un ángulo igual entre ambos (con respecto al punto fuente) como lo ilustra la
Figura 4.6.2.
Por tanto, para aplicar directamente la reconstrucción, es necesario convertir las proyecciones
fanbeam en proyecciones paralelas, o bien derivar directamente una fórmula de reconstrucción.
En esta sección se da una forma alternativa del método de retroproyección filtrada discutida en
la sección anterior pero ahora para una geometría fanbeam equiangular. Se denota como q̌(γ, β)
a la proyección fanbeam donde β es el ángulo formado por el iso-rayo (un rayo imaginario que
conecta la fuente con el centro de coordenadas) y el eje y, y γ es el ángulo formado por un
rayo X y el iso-rayo (ver Figura 4.6.3). Recordando que en la geometría paralela un rayo queda
determinado especificando p y φ entonces se tiene la siguiente relación.
φ = β+γ
p = D senγ, (4.10)
48 4.6. Reconstrucción de geometría en abanico
Figura 4.6.1: Geometría fanbeam equiangular.
donde D es la distancia de la fuente al centro de coordenadas.

Para proyecciones paralelas se obtuvo la fórmula de retroproyección filtrada dada por la ecuación
(4.9), es decir:
Z π Z pm
f (x, y) = fˇ(p0 , φ)h(p − p0 )dp0 dφ
0 −p
Z π Z pmm
= fˇ(p0 , φ)h(x cos φ + ysenφ − p0 )dp0 dφ. (4.11)
0 −pm
La ecuación anterior se puede modificar para incluir todas las proyecciones hasta 2π:
Z 2π Z pm
1
f (x, y) = fˇ(p0 , φ)h(x cos φ + ysenφ − p0 )dp0 dφ.
2 0 −pm
Expresando esta ecuación en coordenadas polares, se tiene:

Z 2π Z pm
1
f (r, θ) = fˇ(p0 , φ)h(r cos(φ − θ) − p0 )dp0 dφ.
2 0 −pm
Sustituyendo p = D senγ y φ = β + γ en la ecuación anterior y notando que dpdφ = D cos γdγdβ

Z 2π−γ Z γm
1
f (r, θ) = q̌(γ, β)h(r cos(β + γ − θ) − D sen γ)D cos γdγdβ, (4.12)
2 −γ −γm
donde γm es el máximo valor de γ para el cual se cumple q̌(γ, β) = 0. Claramente se ve que

γm = sen−1 (pm /D), ahora como la función que depende de β es periódica de periodo 2π, los
límites de integración −γ y (2π − γ) pueden cambiarse por 0 y 2π, respectivamente:
Figura 4.6.2: Geometría fanbeam equiespaciada.
Z 2π Z γm
1
f (r, θ) = q̌(γ, β)h(r cos(β + γ − θ) − D sen γ)D cos γdγdβ, (4.13)
2 0 −γm
Dado que el argumento de la función h no está expresado en forma de convolución, se puede

reescribir como
r cos(β + γ − θ) − D sen γ = r cos(β − θ) cos γ − senγ(rsen(β − θ) + D), (4.14)
esto con el fin de escribir la ecuación (4.13) en una forma que pueda ser fácilmente implementada
en una computadora. Ahora si se denota por L, la distancia de la fuente a un punto arbitrario
(x, y) en el rayo X y γ 0 , el ángulo entre el iso-rayo y el rayo X como lo ilustra la Figura 4.6.4.
Note que L depende de 3 parámetros, β, r y θ. Se ve fácilmente que
L cos γ 0 = D + r sen(β − θ),

L sen γ 0 = r cos(β − θ). (4.15)
Luego, sustituyendo la ecuación (4.15) en la ecuación (4.14), se tiene:
r cos(β + γ − θ) − D sen γ = L sen(γ 0 − γ),
de donde nuevamente al sustituir en la ecuación (4.13):

Z 2π Z γm
1
f (r, θ) = q̌(γ, β)h(L sen(γ 0 − γ))D cos γdγdβ. (4.16)
2 0 −γm
50 4.7. Otros tipos de reconstrucción
Figura 4.6.3: Geometría fanbeam equiangular para un rayo arbitrario.
Ahora se expresa a la función h(L sen γ 0 − γ) en términos de h(t), para ello recuerde que:
Z ∞
h(L sen γ) = |k|e2πikL senγ dk
−∞
2
γ
= h(γ),
L senγ
donde se usó el cambio de variable k 0 = (kL senγ)/γ. Con todo la ecuación (4.13) queda como:
Z 2π Z γm
1
f (r, θ) = 2 q̌(γ, β)h00 (γ 0 − γ)D cos γdγdβ, (4.17)
L 0 −γm
donde: 2
00 1 γ
h (γ) = h(γ).
2 senγ
Con esta fórmula de retroproyección para una geometría fanbeam equiangular se termina esta
sección, donde una vez más se observa la complejidad de hallar una fórmula para la transformada
inversa de Radon. Al lector interesado en saber cómo se construye una fórmula de retroproyección
para una geometría fanbeam equiespaciada puede consultar ([14], [16]).
4.7. Otros tipos de reconstrucción
Hasta ahora se han analizado fórmulas de reconstrucción para las geometrías en paralelo y
fanbeam, sin embargo los tomógrafos más recientes utilizan ya sea la geometría cone-beam o la
geometría helicoidal. En el caso de la geometría cone-beam, la integral se realiza sobre planos por
lo que en cuestiones computacionales, las medidas se obtienen en una matriz de detectores. La
Figura 4.6.4: Geometría para describir un punto arbitrario (x, y) en un rayo X.
reconstrucción de geometría cone-beam es compleja, siendo uno de los algoritmos más conocidos
el llamado algoritmo FDK para una configuración de detector plano ([14]). Este algoritmo fue
propuesto en 1984 por Feldkamp, Davis y Kress ([18]), y corresponde a la extensión tridimensio-
nal de un algoritmo de retroproyección filtrada para proyecciones fanbeam.
Existe otro tipo de reconstrucción: los algoritmos de reconstrucción iterativos. Se trata de mé-
todos que necesitan un tiempo mayor de reconstrucción con respecto a los analíticos. En ellos
se propone un objeto f i en forma de vector y se calculan las proyecciones pi correspondientes
al objeto propuesto, comparándolas después con las proyecciones originales medidas en el detec-
tor p0 . El objeto propuesto f i+1 se actualiza con base en la diferencia de las proyecciones.
Matemáticamente se tiene el siguiente sistema:
pi = Af i + e, (4.18)
donde A es una matriz que depende de la geometría del sistema, la respuesta del detector y otros
parámetros físicos del tomógrafo en cuestión y e es el error inducido por factores de ruido. Note
que la reconstrucción tomográfica es la inversión del sistema (4.18), es decir, determinar el objeto
f i a partir de sus proyecciones pi . El principal problema es que las proyecciones están compuestas
de dos términos: Af i y el ruido e. Dado que el ruido es algo desconocido es imposible separarlo de
la señal e invertir la expresión. Así, con este proceso iterativo se produce una secuencia f1 , . . . , fn
que se espera converja a un valor óptimo f opt , basado en una regla de optimización comparando
pi con p0 .
Así mismo existen también métodos estadísticos empleados para resolver el problema de recons-
trucción de imágenes por métodos iterativos, tal como el método de máxima verosimilitud el cual
se basa en la siguiente regla de Bayes:
P (p|f ) p(f )
P (f |p) = ,
P (p)
52 4.8. Estudios actuales
donde, dado el conjunto de proyecciones p debe encontrarse la distribución de atenuaciones f

que maximice la probabilidad P (f |p).
4.8. Estudios actuales
En esta sección se mencionan algunos tomógrafos hechos de 1980 a la fecha. En cuanto a la

tomografía se plantea la idea de construir tomógrafos de múltiples fuentes de rayos X, entre ellos
destaca la tomografía de doble fuente (DSCT, por sus siglas en ingles Dual Source Computed
Computed Tomography) que fue recientemente introducida por Siemens en el 2005. Este escáner
cuenta con dos fuentes de rayos X orientados de forma perpendicular. Como ha de suponerse, el
hecho de utilizar las dos fuentes simultáneamente permite que la adquisición de proyecciones de
un objeto se realicen de una manera más rápida. Aunque se ha considerado la posibilidad de crear
un tomógrafo de tres fuentes, resulta que su costo computacional es elevado además de contar
con aplicaciones muy específicas. Una variación de la tomografía de dos fuentes es la tomografía
de dos energías (DECT, del ingles Dual Energy Computed Tomography) en la cual se aplican
dos voltajes distintos. Ahora, una propuesta diferente para usar múltiples fuentes de rayos X es
a través de una geometría inversa (IGCT, del ingles Inverse Geometry Computed Tomography),
la cual consiste en proponer uno o varios detectores y múltiples fuentes de rayos X colocados en
un arreglo lineal. Las ventajas que se tienen son adquisición con mayor cobertura volumétrica
además de minimizar la dosis de radiación dependiendo de la región anatómica a estudiar. Una
pregunta que se puede formular es ¿porqué no se puede lograr una mejor resolución espacial y
temporal? La respuesta no es tan sencilla ya que depende de varios factores tanto físicos como
tecnológicos , entre ellos se tiene que la mayor velocidad de rotación alcanzada por el gantry es de
3 vueltas por segundo, además de que a mayor resolución se tiene una mayor dosis de radiación
y si se quiere procesar a una mayor resolución espacial, la cantidad de información a procesar
seria mucha y haría más tardado el proceso de reconstrucción.
Capítulo 5
Conclusiones
1. Matemáticamente, el problema de reconstrucción de imágenes es un problema muy compli-

cado ya que se necesitan conocimientos de distintas áreas entre ellas el análisis funcional,
álgebra lineal, cálculo, ecuaciones diferenciales y análisis de Fourier. También es necesario
que intervengan otras disciplinas tales como la Medicina, la Química, la Computación y la
Física, por mencionar algunas.
2. Dada la complejidad de la fórmula de inversión de la transformada de Radon, se buscaron

y se siguen buscando nuevos métodos de inversión, entre ellos la retroproyección y los
métodos iterativos.
3. El problema de reconstrucción de una función f a partir de su transformada de Radon fˇ

tiene solución sólo si se conoce fˇ de forma completa. Sin embargo, dado que en la práctica
se pueden obtener un número finito de proyecciones, lo que se obtiene al implementar algún
método de reconstrucción es solamente una aproximación del objeto de estudio. De ahí la
necesidad de querer realizar mejores algoritmos de reconstrucción.
4. Un problema abierto en este mismo sentido es el investigar sobre la solución de problemas

elípticos de valores en la frontera y que involucra el estudio de la teoría de distribuciones.
53
Apéndice A
Funciones generalizadas o
distribuciones
Definición A.0.1. Una función f es localmente integrable en Rn si U |f (x

R
x)|dx
dx existe para todo
U ⊂ R acotado. Si f es integrable en U ⊂ R se dice que f ∈ Lloc (U ) donde L1loc (U ) =
n n 1
R
f : f es medible y U |f (x
x)|dx < ∞ .
Si U = Rn entonces se dirá que f es absolutamente integrable en Rn .
Definición A.0.2. Sea f : T → E una aplicación de un espacio topológico T en un espacio

vectorial E. El soporte de la función f es :
supp(f ) = {x ∈ T : f (x) 6= 0}.
Si la cerradura del soporte de la función f es compacta, se dirá que la función f es de soporte

compacto.
Nota 4. Una función f es de soporte compacto si y sólo si existe un compacto K ⊂ T tal que
f (x) = 0, ∀x ∈ T \K.
Ejemplo 14. Si f (x) = sen(x) entonces
supp(f ) = {x ∈ R : x 6= nπ, n ∈ Z} = R el cual no es compacto.
Ejemplo 15. Si 

 0, si −∞ < x ≤ −1;

 x + 1, si −1 < x < 0;
f (x) =

 1 − x, si 0 ≤ x < 1;

0, si 1 ≤ x < ∞;

entonces supp(f ) = [−1, 1].
Definición A.0.3. Una función de prueba sobre un conjunto abierto U ⊂ Rn es una función
ϕ : U → Rm que satisface:
ϕ ∈ C ∞ (U ),
55
56 A.1. La distribución delta de Dirac
Existe T ⊂ Rn compacto con T ⊆ U tal que ϕ(x) = 0, ∀x ∈ Rn \T .
Observación 2. Se denota al conjunto de funciones de prueba sobre U como D (U ). En caso de

tener U = Rn se denotará D (U ) como D .
Observación 3. Note que D (U ) es no vacío pues se puede considerar la función constante cero
cuyo soporte es el vacío, el cual es compacto.
Definición A.0.4. Una funcional lineal sobre D (U ) es una transformación lineal

R
Tf : D (U ) −→ R tal que Tf (ϕ) =< f, ϕ >= U f (x) ϕ(x)dx, donde f es una función localmente
integrable en Rn y ϕ ∈ D (U ).
Definición A.0.5. Una función generalizada o distribución sobre U es una funcional lineal
continua T : D (U ) −→ R.
Nota 5. Se denotará al conjunto de todas las distribuciones sobre D (U ) como D 0 (U ).
Definición A.0.6. Dadas dos distribuciones Ff y Gg se dice que
Son iguales si los valores de los funcionales correspondientes coinciden para toda función
de prueba φ ∈D, es decir, hf (x), φ(x)i = hg(x), φ(x)i.
Son distintas si los valores de los funcionales correspondientes son diferentes para al menos
una función de prueba φ ∈D, es decir,
hf (x), φ(x)i =
6 hg(x), φ(x)i.
Teorema 6. Sean f y g funciones localmente integrables tales que:

Z ∞ Z ∞
< f (x), φ(x) >= f (x)φ(x)dx = g(x)φ(x)dx =< g(x), φ(x) >
−∞ −∞
para toda función de prueba φ ∈ D, entonces f (x) = g(x).
Demostración. Sea h(x) = f (x) − g(x). Calculando el funcional asociado se tiene:

Z ∞ Z ∞
< h(x), φ(x) >= h(x)φ(x)dx = [f (x) − g(x)]φ(x) = 0,
−∞ −∞
de donde h(x) = 0 y así f (x) = g(x).
A.1. La distribución delta de Dirac
Tradicionalmente se refiere a la función delta de Dirac, abusando del lenguaje, como aquella
transformación δ : R → R ∪ {∞} dada por la siguiente expresión:
(
0, si t 6= 0;
δ(t) =
∞, si t = 0.
Por exigencias teóricas de la Física es necesario que esta función satisfaga:

Z ∞
δ(t) f (t)dt = f (0), (A.1)
−∞
para toda función continua f : R → R. En particular, si f es la función constante 1, se debe

cumplir:
Z ∞
δ(t) = 1. (A.2)
−∞
Note que no existe función alguna que satisfaga la condición anterior, por ello se optó a mitad
del siglo XX, considerar a la delta de Dirac como el límite débil de una sucesión de funciones
integrables cuya integral fuera 1.
Con todo surge la siguiente definición:
Definición A.1.1. La distribución delta de Dirac se considera como el límite débil de una
sucesión de funciones integrables {ϕn }n∈N que satisfacen:
R∞
−∞ ϕn (x)dx = 1, ∀n ∈ N,
R∞
limn→∞ −∞ ϕn (x)f (x)dx = f (0), para toda función continua f en algún intervalo que
contenga al 0.
Ejemplo 16. Considere a la sucesión de funciones δn : R → R dadas por:

(
1 1
0, si t ∈ / [− 2n , 2n ];
δn (t) = 1 1
n, si t ∈ [− 2n , 2n ];
cada una de las cuales es Riemann-integrable y tiene integral 1. Como se puede notar, las
funciones de la sucesión anterior no son continuas pero es posible hallar una sucesión de funciones
continuas que cumplan las condiciones antes estipuladas.
Ejemplo 17. Considere a la sucesión de funciones δm : R → R dadas por:
sen(m x)
δm (x) = .
πx
Note que dicha sucesión de funciones no esta definida en x = 0 pero el hecho de que:
sen(x)
lı́m = 1,
x→0 x
nos asegura la convergencia de dicha sucesión a la distribución delta de Dirac.
A continuación se mencionan algunas propiedades de la distribución delta de Dirac que son

útiles en el desarrollo de la tesis.
58 A.2. Derivadas de distribuciones
sen(m x)
Figura A.1.1: Sucesión δm (x) = πx .
Proposición 7. Dada la distribución delta de Dirac, una función continua f : R → R y a ∈ R,

se cumple:
R∞
1. < δ(x − a), f (x) > = −∞ δ(x − a)f (x)dx = f (a).
2. < δ(x), f (x) > = < δ(−x), f (x) >.

1
3. < δ(a x), f (x) >= |a| < δ(x), f (x) >.
Para mayor información sobre la construcción de sucesiones delta de Dirac y la demostración

de las afirmaciones anteriores se puede consultar [35].
Ejemplo 18. Veamos como se pueden simplificar algunas integrales usando la proposición anterior
R∞ 3 δ(x
1. −∞ x − 2)dx = 23 = 8.
R∞ 1
2. −∞ (3x
2 + 1)δ(2x) = |2| (3(0) + 1) = 21 .
A.2. Derivadas de distribuciones
Sean U subconjunto abierto de Rn y f ∈ C k (U ). Dado α ≤ k y ϕ ∈ D (U) se tiene

Z
< ∂ α f, ϕ > = ∂ α f (x)ϕ(x)dx
Z
= (−1)α f (x)∂ α ϕ(x)dx
= (−1)α < f, ∂ α ϕ >,
α
donde ∂ α f (x) = ∂ ∂xf (x)
α cuando dicha derivada parcial exista.
i
Se puede tomar esta ecuación para definir una derivada generalizada ∂ α f , de la función genera-
lizada f ∈ D 0 (U ).
Definición A.2.1. Sean U subconjunto abierto de Rn y f ∈ C k (U ). Si |α| ≤ k y ϕ ∈ D (U) se

define la derivada generalizada de orden |α| de la función generalizada f ∈ D 0 (U ) como
< ∂ α f, ϕ >= (−1)|α| < f, ∂ α ϕ > .
Nota 6. Esta definición es válida ya que supp (∂ α f ) ⊂ supp(f )(ver [35]).

Ejemplo 19. Considere la función de Heaviside dada por:
(
0, si x < 0;
H(x) =
1, si x ≥ 0.
Si ϕ∈D entonces se tiene

Z ∞
0
< H(x), ϕ (x) > = H(x)ϕ0 (x)dx
Z−∞
∞
= ϕ0 (x)dx
0
= −ϕ(0),
pues lı́mb→∞ ϕ(b) = 0 dado que ϕ es de soporte compacto.

Por otro lado se tiene < δ(x), ϕ(x) >= ϕ(0), de donde:
< H 0 (x), ϕ(x) >= − < H(x), ϕ0 (x) >=< δ(x), ϕ(x) > .
dH(x)
Por lo tanto, dx = δ(x).
Nota 7. De acuerdo a la Definición A.2.1 y usando la Proposición 7 se observa que

d
δ(x − a), f (x) = − < δ(x − a), f 0 (x) >= −f 0 (a), (A.3)
dx
con f función de prueba.
En general se tiene para la distribución delta de Dirac el siguiente teorema:
Teorema 7. Dada f ∈ D se cumple que:

Z ∞ Z ∞
(n) n
δ (x − a)f (x)dx = (−1) δ(x − a)f (n) (x)dx = (−1)n f (n) (a).
−∞ −∞
Ahora, si T (x; a) representa a una distribución que depende del parámetro adicional a, se
verá cómo es la derivada de T respecto a a.
Por definición de derivada se tiene que
dT T (x; a + h) − T (x; a)
= lı́m ,
da h→0 h
cuando dicho límite existe.
60 A.2. Derivadas de distribuciones
Así,

dT < T (x; a + h), f > − < T (x; a), f >
,f = lı́m (A.4)
da h→0 h
En especial, cuando T representa la distribución δ(x − a), con a ∈ R, se tiene:

d δ(x − a) < δ(x − a − h), f > − < δ(x − a), f >
,f = lı́m
da h→0 h
f (a + h) − f (a)
= lı́m
h→0 h
= f 0 (a). (A.5)
Proposición 8. Para la distribución Delta de Dirac se tienen las siguientes igualdades:
∂ ∂
1. ∂a δ(x − λa) = −λ ∂x δ(x − λa).
∂ ∂
2. ∂b δ(ax − b) = |a| ∂x δ(ax − b).
∂ ∂
3. ∂ξj δ(p − ξ · x ) = −xj ∂p δ(p − ξ · x ).
∂
4. x
∂aj δ(x − a ) = − ∂x∂ j δ(x
x − a ).
Cabe recalcar que como la delta de Dirac es una distribución, las igualdades anteriores se
dan de acuerdo a como se menciona en la Definición A.0.6.
Apéndice B
Problemas inversos
Normalmente en matemáticas se tiene una ecuación a la que se le quiere hallar su solución;

informalmente, dada una causa y un modelo asociado, se desea conocer el efecto. Sin embargo,
en la vida diaria los problemas prácticos no siempre vienen dados de esta manera, ya que en
ocasiones se conoce el efecto de un modelo y se desconoce lo que causa dicho efecto. En otro
caso, se conoce la causa y el efecto pero se quiere identificar el modelo asociado. A estos dos
tipos de problemas se le conocen como problemas inversos, generalmente a los problemas del
primer tipo se les nomina problemas de reconstrucción mientras que a los del segundo tipo se les
denomina problemas de identificación.
En términos matemáticos, sean X,Y espacios normados o de Banach y T : X → Y un operador.
Dado el modelo T (x) = y, se pueden identificar 3 tipos de problemas:
Problema Directo: dados T y x ∈ X, hallar y ∈ Y .
Problema de Reconstrucción: dados T y y ∈ Y , hallar x ∈ X.
Problema de Identificación: dados x ∈ X y y ∈ Y , identificar T .
En el caso del problema de reconstrucción se quiere hallar x = T −1 (y) pero esto usualmente es
complicado de resolver ya que en general, el operador T opera en espacios de dimensión infinita
y en la mayoría de los casos el operador inverso T −1 no es continuo.
Ejemplo 20. Suponga que se tiene un cierto cuerpo en un espacio inaccesible. Suponga además
que se puede iluminar este cuerpo desde diferentes direcciones y registrar su sombra. Así, se tiene
el siguiente problema inverso: determinar la forma del cuerpo si las proyecciones de dicho cuerpo
son conocidas(problema de reconstrucción).
B.1. Problemas bien planteados y problemas mal planteados
Definición B.1.1. Sean X y Y espacios normados o de Banach, T : X → Y un operador no

necesariamente lineal. Dado el modelo T (x) = y, el problema de reconstrucción se dice bien
planteado en el sentido de Hadamard si se satisface:
61
62 B.1. Problemas bien planteados y problemas mal planteados
1. Existencia: Para cada y ∈ Y existe x ∈ X tal que T (x) = y.
2. Unicidad : Para cada y ∈ Y existe a lo más un x ∈ X tal que T (x) = y.
3. Estabilidad : La solución x depende continuamente de y, es decir, para cada sucesión

{xn } ⊂ X tal que T (xn ) → T (x) cuando n → ∞, se cumple que xn → x cuando n → ∞.
Note que un problema bien planteado es equivalente a decir que el operador T es biyectivo
y el operador T −1 : Y → X es continuo. Un problema se dirá mal planteado si al menos no se
cumple una de las condiciones anteriores.
Los problemas inversos son en general mal planteados, particularmente inestables. La existencia
y la unicidad de la solución sólo dependen de los espacios X, Y y del operador T , mientras que
la estabilidad también depende de las consideraciones topológicas del problema, como lo son
las normas que se escojan para X y para Y . En cuestión de aplicaciones, la estabilidad es una
condición de vital importancia ya que si no se tiene, los errores que se tienen en la medición de los
datos y de los métodos numéricos usados para aproximar la solución, hacen que dicha solución
pueda no tener relación con la solución exacta.
Recuerde que `2 es el conjunto de todas las sucesiones {an }∞

n=1 tal que
∞
X
|an |2 < ∞.
n=1
Así, se tiene el siguiente ejemplo de un operador que no cumple con la condición de estabilidad.
Ejemplo 21. Dado el operador A : `2 → `2 mediante
x2 x3 xn
Ax = (x1 , , , . . . , , . . .),
2 3 n
se tiene que el operador inverso de A es dada por
A−1 y = (y1 , 2y2 , 3y3 , . . . , nyn , . . .).
Considere yn = (0, . . . , 0, √1n , . . .).

√
Observe que yn → 0 mientras que ||A−1 yn ||2 = ||0, . . . , n, . . . ||2 = n → ∞, por lo que no existe
estabilidad. Mas aún, si se toma y 0 = (1, 1/2, 1/3, . . . , 1/n, . . .), entonces el sistema Ax0 = y 0 no
/ `2 ya que ∞
tiene solución en `2 , pues y 0 = Ax0 = A(1, 1, . . . , 1, . . .) pero x0 ∈ 2
P
i=1 |xi | diverge.
Definición B.1.2. Un operador lineal T : X → Y , con X, Y espacios normados, es un operador

compacto si y sólo si la imagen de cualquier conjunto acotado A es un conjunto precompacto, es
decir, T (A) es compacto.
Note que en la definición anterior no se exige la continuidad del operador T , pero de hecho
lo son dado que los conjuntos compactos en un espacio normado son conjuntos acotados.
Teorema 8. Sean X, Y espacios normados y T : X → Y un operador compacto. Luego el
operador inverso T −1 no es continuo a menos que la dimensión de X sea finita.
B. Problemas inversos 63
Note que el teorema anterior indica que la ecuación T (x) = y , donde T es un operador
compacto, es mal planteada si X no es de dimensión finita.
B.2. Mal planteamiento de la transformada de Radon
Ejemplo 22. Considere la ecuación integral de Fredholm de primer tipo:

Z b
T (u(x)) = K(x, y)u(y)dy, c ≤ x ≤ d, (B.1)
a
con T (u) y K(x, y) dados y u(y) desconocido. Suponga además que K(x, y), Kx (x, y), Ky (x, y) ∈
C([c, d] × [a, b]), T ∈ C[c, d] y u ∈ C[a, b]. El problema de hallar u(y) a partir de T y K es
mal planteado pues falla la condición de estabilidad mencionada en (Apéndice B, Definición
B.1.1). En efecto, considere la sucesión {un } ⊂ C[a, b] dada por un (y) = n sen(n2 y) y sea
Rb
vn (x) = a K(x, y)un (y)dy.
Se tiene:
Z b
2

|vn (x) − v0 (x)| = K(x, y)n sen(n y)dy
a
K(x, y) cos(n2 y) b 1
Z b
2
= − + K (x, y) cos(n y)dy

y
n n a

a
k
≤ n (B.2)
donde k no depende de n. Así,
lı́m ||vn (x) − v0 (x)|| = 0,

n→∞
es decir, para n suficientemente grande, vn y v0 se encuentran cerca la una de la otra mientras

que para un y u0 se tiene:
lı́m ||un (y) − u0 (y)|| = ∞,
n→∞
de donde el problema de hallar u(y) dados T (u) y K(x, y) es mal planteado.

Apéndice C
Señales y Sistemas
La teoría sobre señales y sistemas son de vital importancia en casi todos los campos de la
ingeniería eléctrica y en muchas otras ingenierías y disciplinas científicas. En este apéndice se
introducen algunos conceptos matemáticos importantes relacionados con la teoría de señales y
sistemas. Para una lectura más a fondo sobre estos conceptos se puede consultar [24].
Una señal es una función que representa alguna cantidad física, y comúnmente contiene infor-
mación sobre el comportamiento o la naturaleza del fenómeno a estudiar. Por ejemplo, en un
circuito RC, la señal puede representar el voltaje que pasa por el capacitor, o la corriente que
fluye en el resistor. Matemáticamente se tiene la siguiente definición
Definición C.0.1. Una señal es una función x que brinda información de algún fenomeno físico
y que comúnmente varia con el tiempo denotada como x(t).
Se pueden considerar en principio dos tipos de señales: las señales continuas, son aquellas en
donde la variable t es una variable continua y las señales discretas, en donde la variable t solo
toma valores discretos. Se denotarán las señales continuas y las señales discretas como x(t) y
x[n] respectivamente.
Ejemplo 23. Considere la señal discreta x[n] dada por:
(
(1/2)n , si n ≥ 0;
x[n] =
0, si n < 0.
Note que los términos de dicha señal se pueden expresar como los términos de una sucesión
formada por los valores de x[n], es decir, se podría considerar a x[n] como:
x[n] = {1, 1/2, 1/4, . . . , (1/2)n , . . .}
En este contexto se define un sistema como sigue:
Definición C.0.2. Un sistema es un modelo matemático de un proceso físico que relaciona dos
señales: la señal de entrada y la señal de salida. Matemáticamente se tiene que si x y y son dos
señales entonces el sistema es visto como una función de x en y, es decir,
65
66
T {x(t)} = y(t), donde T es un operador que representa una regla de correspondencia entre x y
y.
Un sistema se dira invariante en el tiempo si una traslación en la señal de entrada causa el

mismo efecto en la señal de salida, es decir, si T {x(t)} = y(t) entonces T {x(t − τ )} = y(t − τ ) .
Un ejemplo de un sistema invariante en el tiempo es el siguiente

Ejemplo 24. Sean x(t) y y(t) señales continuas. Si se define T {x(t)} = dx(t) dt entonces
d d
T {x(t − τ )} = dt x(t − τ ), por otro lado y(t − τ ) = dt x(t − τ ), por lo que el sistema es invariante
en el tiempo. Un ejemplo de un sistema que no es invariante en el tiempo es el siguiente
Ejemplo 25. Sean x(t) y y(t) señales continuas. Si se define T {x(t)} = x(−t) entonces
T {x(t − τ )} = x(−(t − τ )) = x(τ − t) el cual es distinto de y(t − τ ) = x(−t − τ ). Con lo que el
sistema varía con el tiempo.
Ahora se definirá la respuesta de impulso o respuesta impulsiva de un sistema, el cual como

se verá más adelante, desempeña un papel muy importante al querer calcular la salida y(t).
Definición C.0.3. Se define la respuesta de impulso h de un sistema continuo T , como la
respuesta del sistema cuando la entrada es δ(t), es decir, h(t) = T {δ(t)}.
Dado que para una señal continua x(t) se cumple que:

Z
x(t) = x(τ )δ(t − τ )dτ,
la respuesta y(t) del sistema ante una entrada arbitraria x(t) se puede expresar como
y(t) = T {x(t)}
Z
= T x(τ )δ(t − τ )dτ
Z
= x(τ )T {δ(t − τ )}dτ
Z
= x(τ )h(t − τ )dτ
= (x ∗ h)(t). (C.1)
Esta ecuación indica que un sistema continuo lineal e invariante en el tiempo está completamente
caracterizado por su respuesta de impulso.
En este punto cabe mencionar que no es sencillo visualizar el proceso de convolucionar dos
funciones x y y. Para entender mejor este proceso, considere una señal continua x(t) y suponga
que se quiere aproximar por una señal discreta x̂(t) formada por una sucesión de pulsos como lo
ilustra la Figura C.0.1.
Se define la función δ∆ (t) como:

(
1
∆, si 0 ≤ t ≤ ∆;
δ∆ (t) =
0, en otro caso.
C. Señales y Sistemas 67
Figura C.0.1: Ilustración grafica de la señal x(t) y una aproximación x̂(t).
Entonces se tiene que la función x(t) se expresa por

∞
X
x̂(t) = x(k∆)δ∆ (t − k∆)∆. (C.2)
k=−∞
Observe que si ∆ → 0, entonces x̂(t) → x(t). Luego, k∆ tiende a una variable τ , δ∆ (t − k∆)
tiende a la distribución δ(t − τ ) y asi la sumatoria dada por (C.2) se transforma en la siguiente
integral: Z ∞
x(t) = x(τ )δ(t − τ )dτ.
−∞
Suponga que para x(t) se tiene un sistema lineal T en el cual T {x(t)} = y(t), para alguna salida
y(t). Ahora dado que el sistema es lineal se tiene que la salida y(t) se puede aproximar mediante
la entrada x(t), es decir:
X∞
ŷ(t) = x(k∆)h∆ (t − k∆)∆, (C.3)
k=−∞
donde h∆ (t) = T {δ∆ (t)}. Nuevamente al hacer tender ∆ a cero se tiene que la ecuación (C.3) se
convierte en: Z ∞
y(t) = x(τ )h(t − τ )dτ. (C.4)
−∞
En resumen, la entrada x(t) puede pensarse como una suma de impulsos escalonados y
desplazados en el tiempo, donde el peso del impulso δ(t − τ ) es precisamente x(τ )dτ . Con esta
misma interpretación la ecuación (C.3) representa la superposición de las respuestas a cada uno
de estos impulsos y por linealidad el peso de la respuesta h(t − τ ) al impulso desplazado δ(t − τ )
también es x(τ )dτ .
Note que si el sistema no es invariante en el tiempo es necesario conocer h(t − τ ) para todo valor
de t = τ , con lo que h(t−τ ) es una familia de respuestas impulsivas. Por otro lado si el sistema es
68
invariante en el tiempo, basta con conocer una única respuesta de impulso y que por comodidad
se suele elegir la respuesta de impulso aplicada en t = 0 como lo ilustra la Figura C.0.2.
Figura C.0.2: Respuesta de impulso h de un sistema invariante en el tiempo.
En la integral de convolución de dos funciones x y h, los valores de los límites de integración

cambian de acuerdo a la naturaleza de las funciones a integrar. Si se supone que x y h son de
soporte compacto, y se supone que x se anula fuera de [L1 , U1 ] y h se anula fuera de [L2 , U2 ],
entonces se tiene que
Z ∞
(x ∗ h)(t) = x(τ )h(t − τ )dτ
−∞
Z mín {U1 ,U2 }
= x(τ )h(t − τ )dτ.
máx {L1 ,L2 }
Bibliografía
[1] Bejarano, J. S. Análisis de fenómenos de ondas no suaves mediante el método asintótico

débil. Master’s thesis, División de Ciencias Exactas y Naturales, Universidad de Sonora,
2009.
[2] Bertero, M., and Boccacci, P. Introduction to Inverse Problems in Imaging. Tay-
lor&Francis, 1998.
[3] Bracewell, R. N. The Fourier transform and its applications. McGraw-Hill, 2000.
[4] Clack, R. Towards a complete description for three dimensional filtered backprojection.
Physics in Medicine and Biology 37(3) (1992), 645–660.
[5] Cormack, A. Representation of a function by its line integrals with some radiological
applications. Journal of Applied Physics 34 (1963), 2722 –2727.
[6] Epstein, C. L. Introduction to the Mathematics of Medical Imaging. Pearson Prentice

Hall, 2003.
[7] Faridani, A. Introduction to the Mathematics of Computed Tomography, Inverse Pro-

blems. MSRI Publications 47 (2003), 1–46.
[8] Franco Ferreira, L. Desarrollo, puesta en marcha y caracterización de un sistema de

tomografía Axial computarizada para ensayos no destructivos. Servizo de Publicacións e
Intercambio Científico, 2008.
[9] Gindikin, S. G. Some notes on the Radon transform and integral geometry. Springer 1
(1992), 23–32.
[10] Giraldo, J. R., Clavijo, C. A., and McCollough, C. Tomografia computarizada por
rayos x: Fundamentos y actualidad. Revista de Ingenieria Biomédica 2 (2008), 13–31.
[11] Helgason, S. The Radon transform, second ed. Birkhäuser, Pearson Prentince Hall, 1999.
[12] Hilbert, D., and Courant, R. Methods of Mathematical Physics. Interscience, 1962.
[13] Hounsfield, G. Computed medical imaging. Science 1 (1980), 22–28.
[14] Hsieh, J. Computed Tomography: principles, design, artifacts and recent advances. Wa-
shington, SPIE Press, 2003.
69
70 BIBLIOGRAFÍA
[15] Hsu, H. P. Fourier analysis. Simon and Schuster, 1970.
[16] Kak, A. C., and Slaney, M. Principles of computerized tomographic imaging. New York,
IEEE Press, 1988.
[17] Kirsch, A. An Introduction to the Mathematical Theory of Inverse Problems. Springer-

Verlang, New York, 2011.
[18] L. A. Feldkamp, L. C. D., and Kress, J. W. Practical cone-beam algorithm. J. Opt.

Soc. Am. 1 (1984), 612–619.
[19] Mahsa, N. A., and Alireza, S. Analytical image reconstruction methods in emission
tomography. Biomedical Science and Engineering 6 (2013), 100–107.
[20] Marr, R. B. An overview of image reconstruction in Ill-Posed Problems: Theory and

Practice. M. Z. Nashed, 1982.
[21] Muñiz, S. H., and Casanovas, M. M. Introducción a la tomografía computarizada.

Revista española de Medicina Nuclear e Imagen Molecular 25 (2006), 206–214.
[22] Natterer, F. The Mathematics of Computerized Tomography, 2 ed. John Wiley & Sons,
1986.
[23] Orlov, S. S. Theory of three dimensional reconstruction. conditions for a complete set of
projections. Sov. Phys. Crystallogr 20(3) (1975), 312–314.
[24] p. Hsu, H. Signals and Systems, 3 ed. McGraw-Hill, 2013.
[25] Papoulis, A. Sistemas digitales y analógicos, transformadas de Fourier, estimación espec-

tral. Marcombo, 1985.
[26] Pérez, J. A. La distribución delta. Sociedad Matemática Mexicana 38 (2003), 1–14.
[27] R. Clarck, D. T., and Defrise, M. Algorithm for the three-dimensional reconstruction
incorporating cross-plane rays. IEEE Trans. Med. Imag. MI-8(1) (1989), 32–42.
[28] Rudin, W., and García, L. Análisis funcional. Reverté, 1979.
[29] Seeley, R. T. Introducción a las series e integrales de Fourier. Reverté, 2004.
[30] Shepp, L., and Logan, B. The Fourier reconstruction of a head section. Transactions on
nuclear science 1 (1974), 21–43.
[31] Smith, K. T., Solmon, D. C., and Wagner, S. L. Practical and mathematical aspects
of the problem of reconstructing objects from radiographs. American Mathematical Society
83 (1977), 1227–1270.
[32] Solmon, D. C. The X-Ray Transform. Journal of Mathematical Analysis and Applications
56 (1976), 61–83.
BIBLIOGRAFÍA 71
[33] Stanley Deans, R. The Radon transform and some of its applications. University of
South Florida, 1983.
[34] Toft, P. The Radon Transform: Theory and Implementation. Department of Mathematical
Modelling, Section for Digital Signal Processing, 1996.
[35] Vladimirov, V. Methods of the Theory of Generalized Functions. Taylor & Francis, 2002.

Transformada de Radon y FBP (Tesis)

Cargado por

Copyright:

Formatos disponibles

Transformada de Radon y FBP (Tesis)

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transformada de Radon y FBP (Tesis)

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA

"LA TRANSFORMADA DE RADON Y SU

APLICACIÓN EN LA TOMOGRAFÍA AXIAL

PARA OBTENER EL TÍTULO DE:

LICENCIADO EN MATEMÁTICAS APLICADAS

JESÚS MANUEL GARCÍA RUIZ

DRA. SILVIA REYES MORA

DR. GUILLERMO ARTURO LANCHO ROMERO

Índice general III

1.1. Diferentes formas de la definición de la transformada de Radon . . . . . . . . . . 1

1.1.1. Dos dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1.2. Dimensiones superiores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2. Ejemplos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.3. Propiedades básicas de la transformada de Radon . . . . . . . . . . . . . . . . . . 10

1.4. Transformada de Radon de una transformación lineal . . . . . . . . . . . . . . . . 11

1.5. Transformada de Radon de la derivada de una función . . . . . . . . . . . . . . . 12

1.6. Derivada de la transformada de Radon . . . . . . . . . . . . . . . . . . . . . . . . 13

2. Relación entre la transformada de Radon y la transformada de Fourier 17

2.1. Transformada inversa de Radon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.1.1. Dimensión impar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.1.2. Dimensión par . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.2. Transformadas directa e inversa de Fourier . . . . . . . . . . . . . . . . . . . . . . 22

2.3. Relación entre la transformada de Radon y la transformada de Fourier . . . . . . 23

3.1. Método directo de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.1.1. Dos dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.1.2. Tres dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.3. Retroproyección filtrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4. Tomografía Axial Computarizada 37

4.1. Generaciones de sistemas tomográficos . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2. El problema inverso de la Tomografía Axial Computarizada . . . . . . . . . . . . 40

4.3. Adquisición de datos a partir de integrales de línea . . . . . . . . . . . . . . . . . 41

4.4. Reconstrucción de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.5. Algoritmo de retroproyección filtrada . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.6. Reconstrucción de geometría en abanico . . . . . . . . . . . . . . . . . . . . . . . 47

4.7. Otros tipos de reconstrucción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.8. Estudios actuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

A. Funciones generalizadas o distribuciones 55

A.1. La distribución delta de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

A.2. Derivadas de distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

B.1. Problemas bien planteados y problemas mal planteados . . . . . . . . . . . . . . . 61

B.2. Mal planteamiento de la transformada de Radon . . . . . . . . . . . . . . . . . . 63

La Tomografía Axial Computarizada (TAC), nace como un método o una herramienta en

donde la función F es una proyección en una dimensión de la función f a un ángulo φ. Si

El interés principal radica en hallar fórmulas de inversión de la transformada de Radon. Por

mación sobre la Transformada de Radon y su aplicación a la Tomografía Axial Computarizada

En este capítulo se exponen los fundamentos matemáticos de la transformada de Radon,

1.1. Diferentes formas de la definición de la transformada de Ra-

Se comienza dando la definición de función de prueba:

existe K ⊂ Rn compacto con K ⊂ D tal que f (x) = 0, ∀x ∈ Rn \ K .

Nota 1. Se denota al conjunto de funciones de prueba sobre U como D (U ). En caso de tener

1.1.1. Dos dimensiones

Imagine en el plano un conjunto convexo K que en su interior tiene un subconjunto abierto

A continuación se da la definición de la transformada de Radon bidimensional para funciones

donde ds es el incremento sobre L.

Figura 1.1.1: Representación del conjunto D y la recta L

la integral (1.1) se puede expresar como:

cuando dicha integral exista.

Figura 1.1.2: Representación geométrica de la relación entre las variables x, y y p, s.

antiguo sistema de ejes coordenados: