Transformada de Radon y FBP (Tesis)
Transformada de Radon y FBP (Tesis)
Transformada de Radon y FBP (Tesis)
TESIS
PRESENTA:
DIRECTORA DE TESIS:
CODIRECTOR DE TESIS:
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
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V
1. La transformada de Radon 1
1.3.1. Linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2. Homogeneidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3. Traslación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
III
IV ÍNDICE GENERAL
3. Métodos de inversión 27
3.2. Retroproyección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5. Conclusiones 53
B. Problemas inversos 61
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
Dentro de todo este contexto, se debe aclarar que no existe un documento que reúna la infor-
VII
VIII ÍNDICE GENERAL
La transformada de Radon
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),
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.
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
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)
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
1. La transformada de Radon 3
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.
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
−∞ −∞
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)
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.
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
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)
−∞ −∞
u
ξ1 ξ2 x
v = −ξ2 ξ1 · y ,
Observe que el resultado anterior indica que fˇ es radial, es decir, sólo depende del valor de p.
1. La transformada de Radon 7
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)
−∞ −∞ −∞
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)
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.
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
1. La transformada de Radon 9
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
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
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
= αR (f ) + β R (g).
1.3.2. Homogeneidad
1 ˇ
fˇ(sp, sξξ ) = f (p, ξ ).
|s|
1.3.3. Traslación
x ± a )) = fˇ(p ± ξ · a , ξ ).
R (f (x (1.18)
= fˇ(p + ξ · a , ξ ),
donde B = A−1 .
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,
x) = fˇ(p, Aξξ ).
R f (Ax (1.20)
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 ||
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
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
o equivalentemente,
∂ ∂
R {f (x
x)} = − R {xk f (x
x)}.
∂ξk ∂p
∂ ∂
R {f (x
x)} = − R {xk f (x
x)}, (1.23)
∂ξk ∂p
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).
1. La transformada de Radon 15
∂ 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,
∂ 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
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 −∞
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 ).
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
2. Relación entre la transformada de Radon y la transformada de Fourier 19
donde
(−1)(n−1)/2 1 1
Cn = n−1
= .
2(2π) 2 (2πi)n−1
∂2 ˇ 2
2 ∂ ˇ
2
f (ξξ · x , ξ ) = ξ1 2
f (p, ξ ) .
∂x ∂p p=ξξ ·x
x
∂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.
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
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.
−∞
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
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.
−∞ −∞
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
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
Las fórmulas dadas en este ejemplo constituyen una solución al problema de reconstrucción
a partir de las proyecciones fˇ(p, ξ ).
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)
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,
−∞
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
2. Relación entre la transformada de Radon y la transformada de Fourier 23
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].
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
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 .
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 ).
2 +y 2 ) 2
Si ξ = (cosφ, senφ), entonces R ((x2 + y 2 )e−π(x ) = e−πp (p2 + 1
2π ).
Z ∞ Z ∞
2 +y 2 )
f˜(su, sv) = (x2 + y 2 )e−π(x e−2πis(xu+yv) dxdy,
−∞ −∞
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.
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
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
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.
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 ).
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
3. Métodos de inversión 29
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:
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)
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)
−∞
3. Métodos de inversión 31
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 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)
3.2. Retroproyección
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
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)
−1
b(r, θ) = B F 1 fe(k, φ). (3.15)
34 3.2. Retroproyección
−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).
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
y usando la propiedad
fe(k, φ + π) = fe(−k, φ),
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 },
donde Z ∞
Qφ (p) = Sφ (k)|k|e2πikp dk. (3.22)
−∞
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.
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.
4. Tomografía Axial Computarizada 39
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
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]).
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,
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)
−∞
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 )
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.
4. Tomografía Axial Computarizada 43
volumen parcial que en algunas aplicaciones específicas (que no se abordan en esta tesis) debe
ser corregido.
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,
−∞
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
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.
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:
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
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
Dado que la función H(w) es una función par en la variable w, h(p) también es una función par
4. Tomografía Axial Computarizada 47
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.
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
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
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
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
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]).
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
4. Tomografía Axial Computarizada 51
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
Conclusiones
53
Apéndice A
Funciones generalizadas o
distribuciones
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 < ∞;
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
Definición A.0.5. Una función generalizada o distribución sobre U es una funcional lineal
continua T : D (U ) −→ R.
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.
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.
A. Funciones generalizadas o distribuciones 57
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.
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.
sen(m x)
Figura A.1.1: Sucesión δm (x) = πx .
R∞
1. < δ(x − a), f (x) > = −∞ δ(x − a)f (x)dx = f (a).
R∞ 3 δ(x
1. −∞ x − 2)dx = 23 = 8.
R∞ 1
2. −∞ (3x
2 + 1)δ(2x) = |2| (3(0) + 1) = 21 .
< 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
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
∂ ∂
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
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).
61
62 B.1. Problemas bien planteados y problemas mal planteados
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.
∞
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
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.
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)
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 , . . .}
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.
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.
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.
[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.
[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.
[14] Hsieh, J. Computed Tomography: principles, design, artifacts and recent advances. Wa-
shington, SPIE Press, 2003.
69
70 BIBLIOGRAFÍA
[16] Kak, A. C., and Slaney, M. Principles of computerized tomographic imaging. New York,
IEEE Press, 1988.
[19] Mahsa, N. A., and Alireza, S. Analytical image reconstruction methods in emission
tomography. Biomedical Science and Engineering 6 (2013), 100–107.
[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.
[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.
[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.