Reconstrucción Iterativa

Margarita Núñez, PhD

Escuela Universitaria de Tecnología Médica
Montevideo, Uruguay
Reconstructores
 Algoritmo expectation-maximization (EM)
 Se usa en estadística para encontrar estimaciones de máxima
verosimilitud de parámetros en modelos probabilísticos,
donde el modelo depende de variables latentes no
observables.
 El algoritmo EM alterna entre la realización de un paso de
expectativa (E), que calcula una expectativa de la
probabilidad mediante la inclusión de variables latentes como
si hubieran sido observadas, y un paso de maximización (M),
que calcula las estimaciones de máxima probabilidad de los
parámetros mediante la maximización de la probabilidad
esperada encontrada en el paso E.
 Los parámetros encontrados en el paso M son entonces
utilizados para comenzar el paso E siguiente, y así el proceso
se repite.
Problemas con la retroproyección filtrada
 asume un modelo de proyección muy simple
 no está incluida la atenuación
 artefactos en raya (streak)
 amplificación del ruido

Métodos de reconstrucción alternativos

 Reconstrucción de Fourier
 Inversión de la matriz
 Método iterativo máxima probabilidad
Image courtesy of Bettinardi et al, Milan
¿Que significa iterativo?
• escoja un número del 1 al 20

persona persona
1 2

comparado
número
con el número
estimado
actual

actualizar
estimación <, >, =? COINCIDE
Re-proyección (forward) = proyección hacia adelante

Estima las proyecciones de una reconstrucción (simula la adquisición)

detector
(proyección)

objeto reconstrucción re-proyección

retroproyección
 detector
Re-proyección (proyección)

objeto
(reconstrucción)
 Comprendiendo la reconstrucción iterativa

Objetivo detector
(medida)
Y
Encontrar la distribución de actividad cuyas
proyecciones estimadas coincidan con las
medidas. m
X proyección
Modelando el sistema (matrix sistema) estimada
objeto
¿Cuál es la probabilidad que un fotón emitido
desde una localización X sea detectado en
una localización del detector Y (PET: Y1, Y2).
- geometría y sensibilidad del detector
- atenuación Y1
- scatter, randoms m
- resolución, time-of-flight X

Y2
Reconstrucción ML-EM

BP SIN
original
CAMBIO
estimate

paciente proyecciones actualizar

originales (x relación)

FP

estimación
proyecciones actual
estimadas
Algoritmos ML-EM / OSEM

measured _ projections
new _ estimate current _ estimate BP
FP current _ estimate

ML-EM
4 iterations

OS-EM
1 iteration
Update 1 Update 2 Update 3 Update 4

ML-EM: cada actualización involucra BP y FP para todos los ángulos de proyección

OSEM: cada actualización sólo utiliza un subset de ángulos de proyección
iteraciones EM = iteraciones OS-EM x no de subsets
 MLEM versus OSEM (ordered subsets)

Fin de la 1ra iteración

Fin de la 2da iteración

FINAL DE UNA
-
ÚNICA ITERACIÓN
-
-
Fin de n iteraciones

conventional
Ordered EM reconstruction
subsets (OS) EM reconstruction

El factor de aceleración es la relación (Nº total de proyecciones) / (Nº de

proyecciones en el subset); típicamente 64 / 4 = 16. En este caso 1 iteración
OSEM equevale a 16 iteraciones MLEM.
 6000

5000

chi-squared
4000

3000

2000
em
1000 os2
os4
0
0 50 100 150
iterations
250

200

mean square error

150

100

em
50
os2
os4
0
0 50 100 150
iterations
Algoritmo ML-EM

measured _ projections
new _ estimate current _ estimate BP
FP current _ estimate

new 1 yi
j j aij
aij yˆi
i i

nueva estimación
reproyección
estimación actual
retroproyección
matriz del sistema
Modelo simple del sistema

0 0 0 0 0 0 0 1 0 0

0 0 0 0 0 1 0 0 0 0

0
0
0
sinograma
0
1 distancia
0
0

ángulo
0
0
0
 Atenuación & Scatter

• interacción primaria en tejidos, para fotones de energía relevantes en PET & SPECT,
es el scatter Compton
• atenuación resulta en pérdida de cuentas debido a la deflexión por scatter Compton
en el ‘trayecto detectable’

• scatter resulta en adición de cuentas no deseadas debido a la deflexión por scatter

Compton en el ‘trayecto detectable’
 PET versus SPECT

Atenuación
Factores de atenuación:
SPECT ~ x5 - x20
PET ~ x15 – x60

Scatter
Fracción de Scatter:
SPECT ~35%
PET 2D ~15%; 3D ~40%
Modelo del sistema incorporando atenuación

0 0 0 0 0 0 0 0.3 0 0

0 0 0 0 0 0.2 0 0 0 0

0
0
0
0
0.1
0
0
0
0
0

• Probabilidad de detección reducida por la

atenuación en tejidos.
Estimación de scatter (SPECT)
• medida:
350

300

- e.g. triple ventana de energía (TEW) 250

relative counts
- incluye actividad fuera del FOV 200

150

- práctico pero ruidoso 100

50

• scatter modelado 0
50 75 100 125 150 175

- modelos analíticos energy (keV)

- modelos aproximación (ESSE, TDCS)

- modelos Monte Carlo

d2
p ,
e
d1
e
Estimación rápida Monte Carlo

• detección forzada (FD) es usada comúnmente en simulaciones MC

• usando la detección forzada por convolución (CFD) se acelera por ~100
• respuesta de función angular (ARF) para los colimadores usa un principio similar

FD CFD

105 fotones
por subset

Beekman et al IEEE Trans Med Imag 2002; 21: 867-77

 Problemas con la pre-corrección
Historico: sustracción del scatter medido; aumenta el ruido

measured _ projections scatter

new _ estimate old _ estimate BP
FP old _ estimate

• ML-EM espera que los datos adquiridos sean Poisson

• el procesamiento de las proyecciones destruye la presunción Poisson
• también posiblemente introduce valores negativos
• en vez de eso, incorporar correcciones ‘dentro’ del modelo

Instead: add measured / estimated scatter in forward model

measured _ projections
new _ estimate old _ estimate BP
FP old _ estimate scatter
Reconstrucción con estimación MC rápida del scatter

Opciones comerciales
• MC option for Hermes (Nuclear Diagnostics)
• ESSE scatter model (Philips)
• TEW in projector (Siemens)
• TEW subtraction (GE)

sin corrección corrección de atenuación corr de aten + scatter MC

PET resolution SPECT resolution

detector

positron range colinearity

FWHMsys2 = FWHMdet2 + FWHMcoll2

FWHMtotal2 = FWHMdet2 + FWHMrange2 + FWHM 180

2
Modelo del sistema incorporando atenuación y resolución

0 0 0 0 0 0 0.1 0.3 0.1 0

0 0 0 0 0.1 0.2 0.1 0 0 0

0
0
0
0.05
0.1
0.05
0
0
0
0
 Modelado de la resolución

Modelo simple:
• asume que no hay pérdida de resolución
Teniendo en cuenta la resolución:
• asume exactamente que pasa con la resolución
• involucra cierta incertidumbre

Contraste v ruido:
• el ruido aumenta con el nº de iteraciones
contrast/recovery

• el contraste alcanza su mayor valor

Con el modelo de resolución:

• se necesitan más iteraciones para alcanzar el
máx
• menos ruido para igual contraste
• mejor modelo; mejor calidad
noise
Estudios Clínicos:

14subsets
2 iterations

3D-OP-OSEM 3D-OSEM with PSF

Townsend, Phys Med Biol 2008; 53: R1-R39

 TOF converge más rápidamente y logra mejor
contraste para un ruido determinado
TOF

#iter = 1 2 5 10 20
noTOF

35-cm diameter phantom; 5 minute scan time

10, 13, 17, 22-mm hot spheres (6:1 contrast); 28, 37-mm cold spheres
Usos potenciales de la reconstrucción iterativa con CT

FBP
PET/SPECT C ci
i

CT ln( Cb / C ) i
i MLTR

MLTR
• beneficios similares a los
estudios de emisión MAP
• reducción del ruido
• reducción de artefactos
• geometria flexible

Courtesy J Nuyts, KUL, Leuven

Reconstrucción Iterativa CT

Modelo del sistema más exacto

• reducción de artefactos: beam hardening, scatter

‘Veo’ iterative recon

 Reconstrucción Iterativa CT

Geometría flexible
• truncado, pérdida de datos (photon starvation)

FBP

Iterative
MAP
Resumen

 Es estándar en la práctica clinical

 Se necesita estar consciente de las limitaciones
- need to preserve Poisson statistics
 Modelos de resolución mejoran el contraste y el ruido
- se requieren más iteraciones
 Información de time-of-flight mejora la relación señal / ruido
- requiere menos iteraciones!
 Aumentando el uso para CT
- menos dosis, menos artefactos
Muchas gracias
SPECT: filtros
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
 Transformada de Fourier

Frecuencia espacial = nº de ciclos / distancia

Amplitud (A) Amplitud (A) x

Frecuencia (f)
Distancia (d) o tiempo (t)
Transformada de Fourier
 2 Curva original ¿Qué es la transformada de Fourier?
1
amplitud

-1

alta amplitud,
-2
0 0.2 0.4 0.6 0.8 1
x baja frecuencia
Distancia (o tiempo)
FT Amplitud (A)
x
baja amplitud,
4
Suma de las ondas seno individuales x alta frecuencia
3
2 Frecuencia (f)
1 +
amplitud

-1
-2 +
-3
-4
0 0.2 0.4 0.6 0.8 1
distancia (o tiempo)
 Transformada de Fourier: continuación

FT A

cuentas

FT-1

distancia frecuencia
 Fuente puntual perfecta (función delta) Dominio de Fourier
1.25 1

1 0.8

0.75
amplitud

0.6

amplitud
FT
0.5 0.4

0.25 0.2

0 0
-1 -0.5 0 0.5 1 0 0.2 0.4 0.6 0.8 1
distancia Frecuencia (fracción de Nyquist)

Función de dispersión puntual Dominio de Fourier

1.2 1
.......... LEAP
HR
0.96 0.8
FT
amplitud

0.72 0.6
amplitud

0.48 0.4

0.24 0.2

0 0
-1 -0.5 0 0.5 1 0 0.2 0.4 0.6 0.8 1
distancia frecuencia (fracción de Nyquist)
Transformada de Fourier de una imagen

FT
A

cuentas

distancia frecuencia
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
 Suavizado Espacial
filtro kernel

1 2 1 FT A

2 4 2
1 2 1
frecuencia

43 51 42 46 38 0 0 0 0 0

48 57 40 44 46 0 47.6 44.6 42.7 0

40 42 47 35 47 0 45.0 43.3 41.9 0

47 44 41 44 39 0 0 0 0 0

valores originales valores “filtrados”

Valor nuevo = [(4*57)+2*(48+51+40+42)+(43+42+40+47)]/16 = 47.6

 Suavizado Espacial
filtro kernel

1 2 1 FT A

2 4 2
1 2 1
frecuencia

43 51 42 46 38 0 0 0 0 0

48 57 40 44 46 0 47.6 44.6 42.7 0

40 42 47 35 47 0 45.0 43.3 41.9 0

47 44 41 44 39 0 0 0 0 0

valores originales valores “filtrados”

Valor nuevo = [(4*57)+2*(48+51+40+42)+(43+42+40+47)]/16 = 47.6

 Filtrado de Fourier
imagen

FT filtro FT-1
filtro
A

FT 1

frecuencia
0
Filtro 2d
 Filtros de restauración (Metz or Weiner)

restauración

Filtro combinado
A restauración x suavizado

A
frecuencia
X
suavizado

frecuencia Restauración con

A ruido reducido

frecuencia
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
Reconstrucción Tomográfica

* =
 Retroproyección Filtrada

A
A = 1/f
FT

Retroproyección Cuentas distribuidas

como 1/r frecuencia

A A
A = 1/f filtro 1/f x f = 1
Rampa
(A = f)

frecuencia frecuencia
 Reconstrucción Tomográfica

* =

FT
FT FT-1

A A A

x =

frecuencia frecuencia frecuencia

original FBP: no filter

ramp: 16 angles ramp:128 angles

 Filtro Rampa

A A

frecuencia frecuencia
 Filtro Butterworth (SPECT)

A A A

x =

frecuencia frecuencia frecuencia

A A A

x =

frecuencia frecuencia frecuencia

 rampa
A
Filtro rampa modificado

rampa-Butterworth

frecuencia
A

x
Butterworth

frecuencia

frecuencia
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
 Filtro Butterworth

1 BW fc = 0.3 n = 2
BW fc = 0.3 n = 10
0.8
BW fc = 0.6 n = 10
amplitud

0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1
frecuencia/fn
 Filtro Butterworth

0.46 2.5

0.66 5.0

0.86 10.0

Cambia la frecuencia de corte Cambia el orden

(fracción de Nyquist) Fc: 0.56
Orden: 5
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
 Filtrado 3D

Pre-reconstrucción (2d) Rampa

frecuencia
Filtrado 3D
Rampa modificado Post-reconstrucción (1d)

frecuencia
Filtrado 3D
Rampa Post-reconstrucción (3d)

frecuencia
Comprendiendo filtros

 Filtros de Fourier (no-SPECT)

 Suavizado y restauración
 Filtros SPECT
 Elección de los parámetros del filtro
 Filtrado 3D
 Comparación de filtros
 Unidades de frecuencia
32x32 Matrix 40 cm FOV
4
1 Pixel 1 cm
3 Frequency =

0.5 cycles/pixel
2 0.4 cycles/cm
16 cycles/FOV
1 1 * Nyquist f
FOV
0
1 Pixel 1 cm
-1 Frequency =

0.25 cycles/pixel
-2
0.2 cycles/cm
8 cycles/FOV
-3 0.5 * Nyquist f

-4
0 0.2 0.4 0.6 0.8 401 cm
32 pixel
 Frecuencia de Nyquist
= frecuencia máxima medida utilizando un
tamaño de matriz específico
= 1 / (2 * tamaño del pixel)
A

Frecuencia máxima de la imagen determinada

por la resolución de la cámara

frecuencia

Nf (32) Nf (64) Nf (128)

Tamaño de la matriz 32 64 128
 Problemas con el uso de la frecuencia de Nyquist

Filtro Butterworth (64*64) Filtro Butterworth (128*128)

1.2 1.2
Espectro imagen
B/W fc=0.4 n=10
1 1 B/W fc=0.2 n=10
Espectro imagen
B/W fc=0.4 n=10
0.8 0.8

amplitud
amplitud

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
frecuencia /fn frecuencia /fn
 64x64 128x128

Fc = 0.3 Fc = 0.5

Fc = 0.5 Fc = 0.25

Fc = 0.7 Fc = 0.25
(orden = 10)