Reconstruction dimages de tomographie

Isabelle BLOCH

Tlcom ParisTech, dpartement TSI, CNRS UMR 5141, 46 rue Barrault, 75634 ee e Paris Cedex 13 Tl : 01 45 81 75 85, Fax : 01 45 81 37 94, E-mail : Isabelle.Bloch@enst.fr e

Table des mati`res e

Introduction 1 Principe physique de la tomographie ` rayons X a 1.1 Attnuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.2 Syst`mes dacquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.3 Transformation de Radon, rtroprojection . . . . . . . . . . . . . . . . e 1.4 Limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Inversion analytique thorique e 2.1 Thor`me de projection et inversion directe . . . . . . . . . . . . . . . . e e 2.2 Thor`me de rtroprojection et inversion . . . . . . . . . . . . . . . . . e e e 2.3 Introduction ` la rtroprojection ltre . . . . . . . . . . . . . . . . . . a e e 3 Discrtisation des mthodes analytiques e e 3.1 Position du probl`me . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 3.2 TFD et rtroprojection discr`te . . . . . . . . . . . . . . . . . . . . . . e e 3.3 Inversion directe discr`te . . . . . . . . . . . . . . . . . . . . . . . . . . e 3.4 Dconvolution 2D discr`te . . . . . . . . . . . . . . . . . . . . . . . . . e e 3.5 Rtroprojection ltre discr`te . . . . . . . . . . . . . . . . . . . . . . . e e e 4 Mthodes algbriques e e 4.1 Matrice de projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Mthode ART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 4.3 Mthode SIRT e 4.4 Variantes 5 Rgularisation e 5.1 Moindres carrs, inverse gnralise . . . . . . . . . . . . . . . . . . . . e e e e 5.2 Stabilisation, conditionnement . . . . . . . . . . . . . . . . . . . . . . . 5.3 Application aux mthodes algbriques . . . . . . . . . . . . . . . . . . . e e 6 Extensions Rfrences ee 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 3 4 6 7 9 9 10 10 12 12 13 13 16 16 18 19 21 22 23 24 24 25 27 27 28

Introduction
Ce cours rsume les principales mthodes de reconstruction tomographique. Il vise e e ` illustrer, sur un exemple dapplication relle, un certain nombre de principes et de a e mthodes tudis dans les cours de base du traitement du signal et des images (restaue e e ration, dconvolution, ltrage, chantillonnage, etc.). Ce texte regroupe les principaux e e rsultats sans en donner les dmonstrations. e e Nous rappellerons tout dabord les principes physiques de la tomographie ` rayons a X, ou tomodensitomtrie (partie 1), an daboutir au syst`me dquations ` rsoudre, e e e a e exprimant les liens entre la fonction de densit des tissus en tout point en fonction de e projections. La rsolution, ou inversion, permettant de calculer la densit ` partir des e ea projections, sera dabord dcrite dans le cadre thorique continu idal (partie 2). Puis e e e le probl`me de la discrtisation sera abord selon deux points de vue : une premi`re e e e e classe de mthodes, dites mthodes analytiques, consiste ` discrtiser directement les e e a e formules dinversion continues (partie 3) ; une deuxi`me classe de mthodes, dites e e mthodes algbriques, consiste ` discrtiser les quations initiales de projection et e e a e e ` se ramener ` la rsolution dun syst`me linaire (partie 4). Dans la partie 5, nous a a e e e verrons que le probl`me de la reconstruction tomographique est souvent mal pos, et e e prsenterons des mthodes de rgularisation. Enn, en guise de conclusion, quelques e e e extensions de ces mthodes seront mentionnes dans la partie 6. e e Notons que si le phnom`ne physique dattnuation est spcique de la tomographie e e e e ` rayons X, les mthodes de reconstruction sont en revanche plus gnrales et sont a e e e appliques galement dans dautres syst`mes dimagerie, dans lesquelles des quations e e e e analogues expriment une fonction ` reconstruire en fonction de projections. Cest le a cas par exemple de la tomographie dmission de simples photons utilise en mdecine e e e nuclaire. e

1
1.1

Principe physique de la tomographie ` rayons X a

Attnuation e

Un faisceau monochromatique de rayons X traversant des tissus biologiques subit une variation dnergie. Cest le phnom`ne dattnuation. De mani`re plus prcise, e e e e e e lattnuation linaire f dans un volume lmentaire dv est dnie par : e e ee e I + dI log = f dv, (1) I o` I est lintensit du faisceau ` lentre du volume dv et I + dI lintensit ` la sortie u e a e ea de ce volume. En intgrant cette quation sur une droite D reprsentant le trajet rectiligne des e e e rayons, on obtient lintensit transmise I en fonction de lintensit incidente I0 par : e e I = I0 exp(
D

f (x, y)dv), 3

(2)

o` f (x, y) reprsente lattnuation au point (x, y) du volume travers. Cest la fonction u e e e ` reconstruire en tout point de lespace. Pour cela il faut disposer dun certain nombre a de mesures. Les mesures accessibles sont de la forme de lquation 2, et fournissent e une information de type projection. Le principe de lacquisition de ces mesures est illustr par la gure 1. Les axes x et e y sont les axes du rep`re cartsien de la coupe du patient observe1 , et donc de limage e e e ` reconstruire. Les axes u et v sont lis ` une direction du faisceau de rayons X : un a e a faisceau envoy dans la direction v fournit une suite de points de donnes (valeurs e e de projections) sur la droite u dangle . En chaque point de cette droite, la valeur mesure p (u) correspond ` lintgrale du coecient dattnuation le long dune droite e a e e parall`le ` laxe v (selon lquation 2). En faisant varier , on acquiert des projections e a e tout autour du patient.
source X v y

u f(x,y) x

u p (u)

Fig. 1 Principe de projection : la mesure p (u) correspond ` lintgrale de la fonction a e ` reconstruire le long dune droite orthogonale ` laxe u. a a

1.2

Syst`mes dacquisition e

Les principales gnrations de syst`mes dacquisition (scanners X) sont illustrs e e e e sur la gure 2. Les syst`mes de la premi`re gnration comportaient une source et e e e e un dtecteur. Cet ensemble tait dplac en translation an dacqurir lensemble des e e e e e mesures correspondant ` un angle x. Puis lensemble source et dtecteur subissait a e e
Les images sont acquises coupe par coupe, chacune tant orthogonale ` laxe du patient (coupes e a axiales), do` le nom de tomographie. Lensemble des coupes acquises ` des niveaux anatomiques u a dirents constitue un volume 3D, en gnral anisotrope. e e e
1

une rotation an dacqurir la ligne de mesures suivante, pour un nouvel angle. Les e scanners de la deuxi`me gnration comportaient une source mettant un faisceau e e e e troit de rayons X, reus par quelques dtecteurs. Puis lensemble subissait translation e c e puis rotation comme pour la premi`re gnration. A partir de la troisi`me gnration, la e e e e e e translation est supprime. La source met un faisceau large, recouvrant toute la section e e du patient. Dans les syst`mes de troisi`me gnration, les rayons sont reus par un e e e e c ensemble de dtecteurs. Lensemble source et dtecteurs subit des rotations successives e e pour acqurir des projections selon tous les angles. Enn, dans la quatri`me gnration, e e e e les dtecteurs sont disposs en couronne tout autour du patient et sont xes. Seule la e e source subit la rotation.

rotation

rotation

translation

translation

rotation rotation

Fig. 2 Les 4 gnrations de scanners X. e e Dans toute la suite, nous nous placerons dans le cas dune gomtrie parall`le, ceste e e `-dire dans laquelle les rayons associs ` un angle de projection sont tous parall`les. a e a e

1.3

Transformation de Radon, rtroprojection e

Loprateur R qui exprime les projections de f est appel transformation de Radon. e e De mani`re plus prcise, il sexprime au point (u, ) par : e e

R[f ](u, ) = p (u) =

D

f (u cos v sin , u sin + v cos )dv.

(3)

Notons que cette transformation est connue depuis 1917, donc bien avant linvention du scanner ! Si lon reprsente les valeurs de p (u) dans un plan daxes et u, par exemple e par des niveaux de gris, on obtient un sinogramme, tel que celui de la gure 3. Ce sinogramme, ensemble de sinuso des, nest pas limage du patient, et en particulier il nest pas du tout interprtable directement par un mdecin. Les images du patient e e sont des images calcules ` partir des projections. Cest donc bien un probl`me de e a e reconstruction quil faut rsoudre. e

Fig. 3 Exemple de sinogramme. En remarquant que p (u) = p+ (u), le probl`me de la reconstruction sexprime e 6

alors de la mani`re suivante : tant donn un ensemble de mesures de projection e e e {p (u), [0, [, u R}, retrouver f en tout point de lespace, cest-`-dire calculer a {f (x, y), (x, y) R2 }. Une mani`re simple de retrouver en tout point du plan une valeur dattnuation e e pourrait consister ` attribuer la valeur p (u) ` tout point plac sur le rayon de projeca a e tion ayant donn cette valeur, puis ` sommer toutes les contributions issues de toutes e a les projections. Ce principe, illustr sur la gure 4, est appel rtroprojection. Il sexe e e prime prcisment de la mani`re suivante. La rtroprojection en (x, y) dune projection e e e e est la valeur de la projection dangle au point sur lequel se projette (x, y), et vaut : h (x, y) = p (x cos + y sin ). (4)

La rtroprojection de toutes les projections dnit loprateur B, dit oprateur de e e e e rtroprojection, obtenu en sommant sur tous les angles les expressions donnes par e e lquation 4 : e

B[p](x, y) =
0

h (x, y)d p (x cos + y sin )d.

0

(5)

Limage obtenue nest pas limage cherche f , mais une version oue de f . Nous e verrons plus loin lexpression mathmatique de ce ou. Loprateur de rtroprojection e e e nest donc pas linverse de loprateur de Radon2 . e La reconstruction ainsi obtenue, qui nest donc pas exacte, a un intrt historique ee puisque ctait la premi`re mthode qui a t utilise. Elle avait lavantage de pouvoir e e e ee e tre mise en uvre de mani`re analogique. e e

1.4

Limites

La modlisation qui prc`de suppose implicitement quun certain nombre dhye e e poth`ses soient vries, qui ne sont en ralit pas toujours ralises. e e e e e e e Tout dabord, le phnom`ne physique est imparfaitement modlis et un certain e e e e nombre de limites physiques perturbent donc la reconstruction. Lquation 2 suppose e que le faisceau de rayons X soit monochromatique et inniment n, ce qui nest pas le cas en ralit. Cette quation nest donc quune approximation. De plus, ce mod`le e e e e ne tient pas compte du durcissement du faisceau ni du phnom`ne de diusion. Le e e durcissement du faisceau provient du fait que tous les rayons qui le constituent nont
2

Loprateur de rtroprojection peut en fait sinterprter comme ladjoint de loprateur de Radon. e e e e

p 2 x p 1

p 3

u x

Fig. 4 Acquisition de plusieurs projections et principe de rtroprojection dune e projection. pas la mme nergie. Les rayons de faible nergie disparaissent au cours de la traverse e e e e des tissus, qui ne laissent passer que ceux de plus forte nergie. Le phnom`ne de e e e diusion peut tre limit grce ` lutilisation de grilles qui slectionnent les rayons e e a a e ayant lorientation dsire, liminant ainsi les rayons diuss dorientation quelconque. e e e e Le processus de reconstruction suppose que le patient soit immobile dans le rep`re e de rfrence. Les mouvements ventuels du patient entra ee e nent des erreurs dans la localisation des rayons de projection par rapport aux mesures eectues et produisent e donc des artefacts sur les images reconstruites. 8

Une autre limite est lie aux acquisitions o` les donnes sont incompl`tes. En e u e e particulier pour limagerie du cur, un faible nombre de projections est gnralement e e acquis (fentres dexploration limites, dure de lexamen, acquisition temporelle, etc.). e e e Enn, les donnes sont gnralement bruites (bruit de mesures, imperfections du e e e e mod`le, etc.). e Toutes ces limites conduisent ` un probl`me de reconstruction tomographique mal a e pos, sur lequel nous reviendrons dans la partie 5. Pour linstant, nous nous plaons e c dans le cas idal sans tenir compte de ces limites. e

Inversion analytique thorique e

Ce chapitre est consacr ` la description succincte des trois mthodes principales ea e de reconstruction dans le cas idal, continu. Chacune de ces mthodes repose sur des e e relations analytiques particuli`res entre f et ses projections. e

2.1

Thor`me de projection et inversion directe e e

La premi`re mthode repose sur le thor`me de projection. Celui-ci stipule que la e e e e transformation de Fourier (1D) dune projection dangle au point U correspond ` la a transforme de Fourier 2D de f au point de frquences spatiales (U cos , U sin ), ce e e qui scrit : e T F [p ](U) = T F [f ](U cos , U sin ). (6) La transforme de Fourier dune projection dangle fournit donc une ligne dangle e dans le plan de Fourier de f . Ce thor`me permet den dduire le schma de reconstruction suivant : e e e e

{p (u)} {T F [p ](U)} T F [f ](X, Y ) 9

f par TF inverse

En eet, variant entre 0 et , tout le plan de Fourier de f est bien couvert par les transformes de Fourier des p et la transforme de Fourier de f peut tre connue en e e e tout point (X, Y ) dans un rep`re cartsien. Cette proprit ne sera plus vrie dans e e ee e e le cas discret et nous verrons dans la partie 3 les probl`mes de rchantillonnage an e ee de passer dun chantillonnage polaire ` un chantillonnage cartsien. e a e e Cette mthode, appele inversion directe, ncessite deectuer autant de transe e e formes de Fourier 1D que dangles de projection, et une transforme de Fourier inverse e e 2D.

2.2

Thor`me de rtroprojection et inversion e e e

Nous avons vu dans la partie 1 que la rtroprojection de lensemble des projections e fournissait une version oue de f . Le thor`me de rtroprojection tablit de mani`re e e e e e prcise la relation entre f et la rtroprojection B[p] : e e B[p](x, y) = (f h)(x, y), avec : h(x, y) = 1 x2 + y 2 . (7)

(8)

La rtroprojection est donc une convolution de f par un ltre dont la rponse impule e sionnelle est illustre sur la gure 5. Cela explique donc le ou de la rtroprojection. e e Ce thor`me permet dtablir une deuxi`me mthode de reconstruction, par dconvolution : e e e e e e f = T F I [ T F (B[p]) . ], avec : (X, Y ) = X 2 + Y 2. (9) (10)

Cette mthode ncessite des oprations bidimensionnelles de ltrage et de transe e e forme de Fourier et est donc assez lourde ` mettre en uvre. Cest la raison pour e a laquelle elle est assez peu utilise. e

2.3

Introduction ` la rtroprojection ltre a e e

La troisi`me mthode de reconstruction, dite de rtroprojection ltre, repose sur e e e e le rsultat suivant : e f = B[], p (11) avec : p = T F I [ T F [p ](U) . |U| ]. (12) Ce thor`me exprime f comme la rtroprojection des projections ltres par le ltre e e e e rampe |U|. Ce rsultat sobtient en crivant que f est la transforme de Fourier inverse e e e de sa transforme de Fourier et en utilsiant le thor`me de projection (quation 6). e e e e 10

Fig. 5 Rponse impulsionnelle du ltre h(x, y) expliquant le ou de la e rtroprojection : h(x, y) = (x2 + y 2)1/2 . e Notons que le ltre qui intervient ici est lquivalent 1D du ltre (X, Y ) = e utilis dans la mthode de dconvolution. e e e Ce thor`me conduit au schma de reconstruction suivant : e e e ltrage des projections (1D) par lquation 12 e rtroprojection des projections ltres (quation 11) e e e Cette fois, le ltrage ne ncessite que des oprations 1D, et la rtroprojection est e e e une simple sommation des contributions de chaque projection. Cest la mthode la e moins lourde en calculs et donc la plus utilise. e En pratique, le ltrage est souvent eectu par H(U) = |U| . W (U) o` W (U) e u est un ltre passe-bas, ce qui permet de limiter le bruit, mais dtriore la rsolution ee e spatiale. Il y a donc un compromis ` trouver entre rsolution spatiale et bruit. Nous a e reviendrons sur les ltres utiliss dans la partie 3. e X2 + Y 2

11

3
3.1

Discrtisation des mthodes analytiques e e

Position du probl`me e

Jusqu` maintenant, nous nous sommes placs dans le cas idal continu : nous avons a e e 2 travaill dans un domaine continu inni (R ), et cherch ` reconstruire une fonction f e ea continue ` partir de projections p continues, connues pour tout de lintervalle [0, [. a Ces conditions ne sont videmment pas ralisables en pratique. e e Les syst`mes dacquisition permettent dobtenir des projections p pour un nombre e ni dangles, nots k . Le nombre limit de dtecteurs entra que ces projections sont e e e ne chantillonnes et connues simplement en des points discrets uk . Il serait illusoire avec e e de telles donnes de vouloir reconstruire une fonction f continue dans R2 . La fonction e f ne sera reconstruite que sur une grille discr`te, en un nombre ni de points. Cest e aussi la limite quimposent les algorithmes numriques de reconstruction. e ` A la dirence de ce qui a t vu dans la partie 1, le probl`me de reconstruction se e ee e pose alors de la mani`re suivante : tant donn un ensemble de mesures de projection e e e {pk (ul ), 0 l < NP, 0 k < M}, retrouver f en tout point dune grille disct`te nie, cest-`-dire calculer e a {f (xi , yj ), 0 i < N, 0 j < N}, avec : k = k, , = M ul = ld, xi = ix, yj = jy, o` est le pas dchantillonnage des angles de rotation, M le nombre dangles, d le u e pas dchantillonnage sur chaque droite de projection, et x (respectivement y) le e pas dchantillonnage en x (respectivement en y) dans le plan de reconstruction. e Les mthodes de reconstruction de f selon ce schma peuvent tre rparties en e e e e deux classes. 1. La premi`re classe de mthodes consiste ` dnir les quivalents discrets des e e a e e oprateurs (transforme de Radon, rtroprojection, transforme de Fourier, etc.) e e e e puis ` discrtiser les formules dinversion dcoulant des trois thor`mes de la a e e e e partie 2. Ce sont les mthodes dites analytiques. e 2. La deuxi`me classe de mthodes repose sur une approche compl`tement dirente : e e e e cette fois, cest directement lquation de projection qui est discrtise, fournise e e sant ainsi un syst`me dquations linaires. La rsolution de ce syst`me seece e e e e tue par des mthodes itratives, la rsolution directe ntant pas ralisable. Ces e e e e e mthodes sont dites algbriques. e e 12

Ce chapitre est consacr aux mthodes analytiques. Les mthodes algbriques seront e e e e vues dans le chapitre 4.

3.2

TFD et rtroprojection discr`te e e

Rappelons que la transforme de Fourier discr`te (TFD), bien tudie en traitement e e e e du signal, sexprime, pour une fonction f connue en N points (f0 , f1 , ..., fN 1 ), comme la suite des valeurs (F0 , F1 , ..., FN 1 ) donnes par : e
N 1

Fk =
l=0

fl exp(

2 lk). N

(13)

Notons que la relation entre la TFD et la transforme de Fourier continue doit tre e e considre avec prcautions, ` cause des probl`mes de recouvrement de spectre ventuels. ee e a e e Pour viter ces probl`mes, la thorie classique de lchantillonnage impose que les fonce e e e tions doivent vrier les conditions de Shannon, ce qui suppose quelles soient ` spectre e a limit. Nous nous placerons sous cette hypoth`se dans la suite. e e Loprateur de rtroprojection discret est dni par : e e e B[p](xi , yj ) = M
M 1

pk (xi cos k + yj sin k ).

k=0

(14)

Il sagit dune formule dapproximation de lintgrale de la formule 5. Cette approxie mation est optimale si les angles des projections sont quidistants (ce que nous avons e suppos ici). e Cette quation fait intervenir les valeurs de projections aux points xi cos k + e yj sin k qui ne co ncident pas forcment avec un des points dchantillonnage ul des e e projections. Il va donc falloir calculer ces valeurs par interpolation. Une premi`re soe lution consiste ` calculer chaque pk (xi cos k + yj sin k ) ncessaire par interpolation a e linaire ou dordre suprieur. Une deuxi`me solution consiste, lors dun pr-traitement, e e e e ` interpoler des chantillons des projections avec une rsolution susamment ne pour a e e quensuite on puisse estimer pk (xi cos k + yj sin k ) simplement par la valeur du plus proche voisin.

3.3

Inversion directe discr`te e

La mthode dinversion directe repose sur un quivalent discret du thor`me de e e e e projection : T F D[pk ](Ul ) = T F D[f ](Ul cos k , Ul sin k ). (15) Cette formule conduit directement au schma de reconstruction suivant : e

{pk (ul )} 13

 {T F D[p ](Ul )} estimation de T F [f ] sur une grille polaire interpolation polaire / cartsienne e f par TFD inverse La dirence essentielle avec le schma continu rside dans la connaissance du e e e plan de Fourier de f . Alors que dans le cas continu, la transforme de Fourier de f e est connue en tout point, ici on nen conna quun chantillonnage en coordonnes t e e polaires. Les mthodes de transforme de Fourier inverse en coordonnes polaires sont e e e diciles ` mettre en uvre, et il nexiste pas dalgorithme rapide similaire ` ceux de la a a TFD en coordonnes cartsiennes. Les mthodes utilises en pratique consistent donc e e e e ` rchantillonner le plan de Fourier de f en coordonnes cartsiennes et ` utiliser une a ee e e a TFD inverse classique. La dicult provient de la densit variable de lchantillonnage polaire en fonction e e e de la distance au centre du rep`re (gure 6). e Toujours dans lhypoth`se dun spectre limit, lchantillonnage doit tre de bonne e e e e qualit dans un disque de rayon B, avec la condition de Shannon : e B= 1 , 2d

d tant le pas dchantillonnage des projections. La fonction f reconstruite sera donc e e une approximation ` spectre limit. a e Puisque NP points sont acquis sur une droite de projection, le pas dchantillonnage e radial dans le plan de Fourier est donn par : e = 2B 1 = , NP dNP

(NP points sur un diam`tre de longueur 2B). e 14

B 3B/4

Fig. 6 Echantillonnage dans le plan de Fourier de f . On impose alors que lchantillonnage azimutal le plus mauvais (cest-`-dire ` une e a a distance B de lorigine) soit gal au pas dchantillonnage radial : e e = . On en dduit alors le pas dchantillonnage des angles de rotation : e e = 2 . NP

Une contrainte plus souple consiste ` imposer simplement que le pas dchantillonnage a e azimutal aux trois quarts de la bande soit gal au pas dchantillonnage radial : e e 3 2B = 3B/4 = B = . 4 NP Le pas dchantillonnage des angles de rotation vaut alors : e = 8 . 3NP

On en dduit alors la valeur M du nombre de projections ` raliser, qui est de e a e lordre de NP . En pratique, les ordres de grandeurs sont les suivants : on ralise 512 projections e chantillonnes sur 512 points et on reconstruit une image de taille 512 512. e e 15

3.4
`: a

Dconvolution 2D discr`te e e

La mthode discr`te reposant sur lquivalent du thor`me de rtroprojection consiste e e e e e e 1. eectuer la rtroprojection discr`te de toutes les projections, selon lquation 14, e e e 2. eectuer la dconvolution par TFD : celle-ci est gnralement calcule sur une e e e e image plus grande (an dviter les probl`mes de repliement de spectre), et avec e e un ltre de dconvolution combin avec un ltre passe-bas pour limiter le bruit. e e Cette mthode tant lourde en temps de calcul, elle nest pas couramment utilise e e e et nous ne la dvelopperons donc pas plus. e

3.5

Rtroprojection ltre discr`te e e e

La mthode discr`te de reconstruction par rtroprojection ltre repose sur la e e e e discrtisation des formules 11 et 12 : chaque projection est ltre puis rtroprojete. e e e e Dans le cas discret, nous avons vu quil fallait se placer dans lhypoth`se dun spectre e limit ` un rayon B : ea 1 B= . 2d Le ltre sexprime donc par : T F (k)(U) = |U| si |U| < B, = 0 sinon. Dirents ltres vriant cette condition sont possibles. e e Le plus simple, propos par Ramachandran et Lakshminarayanan est le ltre k e vriant : e T F (k)(U) = |U|RectB (U), o` RectB (U) est la fonction valant 1 sur [B, B] et 0 ailleurs. Ce ltre peut tre calcul u e e explicitement en remarquant que |U|RectB (U) = B[RectB (U) T rglB (U)], o` T rglB (U) est la fonction triangle sur [B, B]. On obtient alors : u k(u) = 2B 2 sin(2Bu) 2Bu B2 sin(Bu) Bu
2

(16)

(17)

Le ltre numrique correspondant, appel ltre RAM-LAK, vaut : e e 2 si m = 0, B m 0 si m pair et m = 0, k( ) = 4B2 2B si m impair. m2 2 16

(18)

Un autre ltre tr`s utilis, propos par Shepp et Logan, consiste ` attnuer les e e e a e hautes frquences : e sin( U ) 2B (19) T F (k)(U) = |U|RectB (U) U .
2B

La version numrique de ce ltre sexprime par : e k( 4B 2 m )= 2 . 2B (4m2 1) (20)

Les transformes de Fourier des principaux ltres utiliss sont illustrs sur la gure e e e 7. Les ltres numriques RAM-LAK et de Shepp et Logan sont illustrs sur la gure e e 8. On pourra constater que les coecients du ltre sattnuent tr`s vite. e e

rampe rampe * rect (RAM-LAK) rampe * rect * sinc(piU/2B) (Shepp & Logan) rampe * rect * cos(piU/2B) (Cosinus) rampe * rect * (a + (1-a)cos(piU/B)) (Hamming)

Fig. 7 Quelques ltres de recontruction. Dautres ltres sont galement utiliss, tels que les ltres cosinus, de Hamming, e e de Wiener, etc. Ces fentres plus douces permettent de diminuer le bruit (les hautes e frquences, peu ables, sont attnues), en vitant les oscillations dans les hautes e e e e frquences engendres par la fonction rectangle. Il faut cependant trouver un bon e e compromis an de ne pas obtenir une image trop lisse. e 17

RAM-LAK Shepp-Logan

Fig. 8 Filtres numriques (RAM-LAK et Shepp-Logan). e La mise en uvre peut tre eectue soit par convolution discr`te directe, soit dans e e e le domaine de Fourier par FFT. Cette mthode prsente de nombreux avantages, qui en font la mthode la plus e e e rpandue. Essentiellement, les traitements sont 1D uniquement. De plus, il est possible e deectuer le traitement de chaque projection d`s quelle est acquise, cest-`-dire de e a la ltrer et de la rtroprojeter en additionnant sa contribution ` celle des projections e a dj` traites. La reconstruction se fait donc simultanment ` lacquisition. ea e e a

Mthodes algbriques e e

Dans cette partie, nous prsentons le principe des mthodes algbriques. La notion e e e de matrice de projection est introduite, puis les deux mthodes principales dinversion e itrative sont dcrites. e e

18

4.1

Matrice de projection

Le principe des mthodes algbriques consiste ` rechercher f directement dans un e e a espace de dimension nie, sous la forme dune combinaison linaire de fonctions de e base i :
n

f (x, y) =
i=1

fi i (x, y).

(21)

La base la plus utilise est celle des fonctions caractristiques des pixels, dnies par : e e e i (x, y) = 1 si (x, y) = pixel i, 0 sinon, (22)

les pixels de limage tant numrots dans un ordre arbitraire (par exemple dans lordre e e e de balayage vido). e Dautres fonctions de base peuvent tre utilises, par exemple des fonctions polye e nomiales ou des fonctions adaptes ` la gomtrie de lacquisition (typiquement ` une e a e e a gomtrie conique). Dans la suite, nous resterons dans le cas simple de la base des e e pixels. La valeur dune projection en un point vaut alors :
n

pj =
i=1

Rjifi ,

avec Rji = i (ul cos k v sin k , ul sin k + v cos k )dv,

si pj dsigne la valeur de la projection dangle k au point ul . e Le probl`me sexprime donc sous la forme matricielle suivante : e P = Rf, o` R est appele matrice de projection. u e La signication des termes de lquation 23 est la suivante : e 1. P est le vecteur de mesures, chaque composante tant une valeur de projection e (un des p (ul ), rangs dans un ordre arbitraire) ; elle est de taille m gale au e e produit du nombre de projections par le nombre de points par projection, soit M NP ; (23)

2. f est le vecteur des valeurs recherches en chaque pixel, chaque composante tant e e la valeur dattnuation en un pixel de limage ; elle est de taille n gale au nombre e e de pixels, soit N N ; 3. R est la matrice de projection, de taille m n. Cette matrice ne dpend que de e lacquisition et pas des donnes. Ses coecients peuvent donc tre calculs une e e e

19

fois pour toute. Le coecient Rji est caractristique de lintersection du rayon j e avec le pixel i. Dans le cas simple considr ici, on a : ee Rji = 1 si le rayon j rencontre le pixel i, 0 sinon . (24)

Une version plus sophistique (voir gure 9) consiste ` choisir des coecients proe a portionnels ` la surface dintersection entre la surface lmentaire reprsentant a ee e le pixel et le rayon (ayant une certaine largeur) : Rji surface de recouvrement rayon j / pixel i. (25)

La premi`re solution ne ncessite quun bit de stockage par coecient, la seconde e e tant plus prcise mais plus gourmande en mmoire. e e e

R ji
x1 x2

pj

x i (f i)

xn
Fig. 9 Gomtrie des mthodes algbriques. e e e e Linversion directe de la matrice permettrait de rsoudre le probl`me de reconse e truction une fois pour toutes, pour une gomtrie dacquisition donne (puisque R e e e ne dpend que de cette gomtrie). Cela semble dautant plus intressant que la mae e e e trice est tr`s creuse. La reconstruction dun jeu de donnes ne ncessiterait plus quun e e e simple produit matriciel. Cependant, cette mthode nest pas ralisable en pratique sur les syst`mes de e e e tomographie ` rayons X3 , en raison de la taille de la matrice (250000 250000 au a moins), du fait quelle nest pas forcment carre, et du bruit qui rend le probl`me mal e e e conditionn, voire singulier. e
Linversion directe est en revanche utilisable pour des syst`mes exprimentaux de tomographie e e dimpdance, permettant dacqurir pour linstant tr`s peu de donnes. e e e e
3

20

On prf`re donc des mthodes itratives, dont les deux principales sont dcrites ee e e e dans les parties suivantes. Leur principe gnral consiste ` partir dune initialisation e e a f (0) de f et ` corriger itrativement lestimation, en estimant f (k) ` litration k ` partir a e a e a des dirences entre les projections de f (k1) et les donnes P (projections relles de e e e f ).

4.2

Mthode ART e

La mthode ART (algebraic reconstruction method) consiste ` corriger les coefe a cient fi de f en utilisant une projection ` chaque fois. De mani`re gomtrique, a e e e cela sinterpr`te comme la recherche de lintersection entre des hyperplans dont les e quations sont celles du syst`me 23. Ces hyperplans sinterpr`tent comme des contraintes e e e que doit respecter la solution. La recherche seectue par projections successives de la solution ` une itration donne sur une des contraintes. Ainsi, au moins une des a e e quations du syst`me est satisfaite ` chaque itration. Cette interprtation gomtrique e e a e e e e est illustre sur la gure 10 dans le cas o` m = n = 2. La convergence de la mthode e u e peut galement tre illustre par des considrations gomtriques sur le triangle dont e e e e e e les sommets sont les solutions ` trois itrations successives. a e

f2

(0)

(3) (4)

solution

f1R11+ f2R12 = P 1

(1) (2)

f1

f1R21+ f2R22= P 2

Fig. 10 Principe de la mthode ART. e Lexpression mathmatique de la correction selon la mthode ART sobtient aisment e e e ` partir de lquation de la projection dun point sur un hyperplan : a e fi
(k)

= fi

(k1)

+ Rji

pj Rj f (k1) . Rj 2

(26)

21

Cette quation sinterpr`te de la mani`re suivante : chaque composante i du vecteur e e e (k1) f (k) ` litration k est corrige en ajoutant ` la valeur fi a e e a obtenue ` litration a e prcdente un coecient qui vaut 0 si le rayon j utilis pour la correction ne traverse e e e pas le point xi (dans ce cas Rji vaut 0) et qui est sinon proportionnel ` la dirence a e entre la donne pj (la vraie projection) et la projection recalcule ` partir de f (k1) , e e a (k1) 2 gale ` Rj f e a . Le coecient de normalisation Rj est la norme de la ligne de la matrice R correspondant ` la donne j, cest-`-dire dans le cas simple considr ici il a e a ee est gal au nombre de pixels traverss par le rayon j. En rsum, le rayon j permet de e e e e ` corriger tous les pixels quil traverse. A chaque itration, un rayon dirent est choisi, e e par exemple selon la r`gle suivante : e j = k[m]. Lorsque le syst`me 23 admet au moins une solution, lalgorithme converge vers la e solution de variance minimale lorsquil est initialis ` 0. ea En revanche, lorsque les donnes sont bruites, le syst`me peut ne pas avoir de e e e solution, et un phnom`ne doscillations se produit, comme lillustre la gure 11. e e
(3)

(2) (1)

contrainte 3

(4) (0)

contrainte 1

contrainte 2

Fig. 11 Probl`me doscillations lorsque les donnes sont bruites. e e e

4.3

Mthode SIRT e

La mthode SIRT (simultaneous iterative reconstruction technique) consiste ` efe a fectuer la correction de chaque fi en utilisant tous les rayons passant par xi , comme lillustre la gure 12.

22

pj
x1 x2

x i (f i)

xn

Fig. 12 Principe de la mthode SIRT. e Lquation permettant dvaluer f (k) par correction de f (k1) est la suivante : e e
(k) fi

(k1) fi

+
j

pj i Rji

Rj f (k1) , 2 j Rj

(27)

la sommation portant sur lensemble des indices j tels que le rayon j traverse le pixel xi . Cette mthode est plus lente que lART et ncessite plus de mmoire. e e e

4.4

Variantes

Il existe de nombreuses variantes des algorithmes ART et SIRT. Mentionnons simplement : les versions multiplicatives, o` la correction seectue en fonction du rapport de u la projection donne sur la projection recalcule, e e une variante de lART dans laquelle des contraintes de positivit doivent tre e e satisfaites ` chaque itration (la solution recherche tant positive), a e e e une variante de lART permettant de tenir compte du bruit en remplaant le c syst`me dquations 23 par un syst`me dingalits : e e e e e P < Rf < P + , ce qui est plus conforme ` la ralit. a e e 23

Rgularisation e
Pour quun probl`me soit bien pos il faut que 3 conditions soient remplies : e e 1. il y a au moins une solution pour tout ensemble de donnes, e 2. la solution est unique, 3. la solution dpend contin ment des donnes. e u e

Les deux premi`res conditions ne sont pas toujours satisfaites en tomographie, en e particulier lorsque les donnes sont incompl`tes ou bruites. La troisi`me condition e e e e signie quun faible cart sur les donnes ne doit pas donner une solution radicalement e e dirente. Cest un probl`me de stabilit, fortement li au conditionnement et ` la e e e e a rgularit de la matrice de projection, que nous analyserons dans la suite. e e Ces dicults ne sont pas spciques de la tomographie et concernent de mani`re e e e gnrale tous les probl`mes inverses. Ltude de tels probl`mes mal poss a conduit e e e e e e les chercheurs ` dvelopper des mthodes de rgularisation dont les applications en a e e e traitement du signal et des images sont tr`s nombreuses (restauration, dconvolution, e e etc.).

5.1

Moindres carrs, inverse gnralise e e e e

Deux probl`mes peuvent se poser lors de linversion du syst`me Rf = P : e e 1. la matrice R1 nexiste pas (en particulier si R est rectangulaire), 2. la matrice R1 nest pas continue. Dans cette partie, nous nous attachons ` rsoudre le premier probl`me. Le second a e e sera rsolu dans la partie suivante. e Si R nest pas inversible, le syst`me na pas de solution au sens strict. On cherche e alors une solution approche qui minimise une fonctionnelle C(Rf, P ) reprsentant e e un crit`re dcart entre Rf et P . La mthode la plus classique consiste ` chercher la e e e a solution des moindres carrs, en rsolvant le syst`me : e e e Rt Rf = Rt P. (28)

Cette fois la matrice Rt R est de taille n n. Deux cas doivent tre distingus. e e Si elle est de rang n, la solution du syst`me dquations linaires 28 est unique e e e et est donne par : e f = (Rt R)1 Rt P, (29) et la matrice (Rt R)1 Rt est linverse gnralise de R. e e e Sinon, le syst`me 28 a une innit de solutions, parmi lesquelles on choisit en e e gnral celle de norme minimale. e e

24

5.2

Stabilisation, conditionnement

Le probl`me de lexistence dune inverse tant rsolu, linverse gnralise peut e e e e e e tre instable. Pour bien comprendre les phnom`nes provoquant ces instabilits, il est e e e e commode deectuer lanalyse spectrale des oprateurs impliqus. e e
2 Soient k les valeurs propres de Rt R et de RRt , classes par ordre dcroissant : e e

1 > 2 > ... 0. Soient pk les vecteurs propres de RRt et fk ceux de RRt :
2 RRt pk = k pk , 2 Rt Rfk = k fk .

On a, pour k = 0 :
1 pk = k Rfk ,

1 fk = k Rt pk .

En dcomposant P sur la base des pk , on obtient : e f = (Rt R)1 Rt P = (Rt R)1 Rt (

k

< P.pk > pk ) < P.pk > k fk )

= (Rt R)1 (
k

=
k

1 < P.pk > k fk ,

ce qui exprime f comme combinaison linaire des vecteurs propres de RRt . e Dans le cas de donnes bruites, o` les mesures prennent la forme : e e u P + b, o` P reprsente les projections exactes et b le bruit, un calcul analogue conduit ` la u e a dcomposition suivante de f : e f=
k 1 < P.pk > k fk + k 1 < b.pk > k fk .

Cette expression permet maintenant de bien comprendre le probl`me dinstabilit : e e le bruit comporte gnralement des hautes frquences, qui correspondent aux derniers e e e termes du dveloppement. La dcomposition aura donc des forts coecients sur les e e 1 a petites valeurs propres, donc pour les grandes valeurs de k , ce qui aura tendance ` amplier les composantes hautes frquences du bruit, do` les phnom`nes dinstabie u e e lit. e Le fait que les hautes frquences correspondent aux faibles valeurs propres est un e rsultat classique du cours de restauration : sous lhypoth`se dun dfaut inni spatiae e e lement invariant, il y a quivalence entre la restauration par transforme de Fourier et e e 25

la restauration algbrique, les valeurs propres de la matrice du dfaut correspondant e e aux coecients de sa transforme de Fourier. e Dans le cas o` ces phnom`nes dinstabilit se produisent, dont on conna mainu e e e t tenant lorigine, la solution doit tre stabilise. Cest la rgularisation. e e e Une premi`re mthode consiste ` eectuer une troncature du dveloppement, an e e a e dliminer les termes correspondant aux faibles valeurs propres. Comme nous lavons e vu prcdemment pour les mthodes analytiques, il est ncessaire de trouver un bon e e e e compromis pour le nombre de termes an davoir une prcision susante dans la ree construction sans avoir trop de bruit. On retrouve ici encore une analogie avec les mthodes de restauration, en particulier avec les mthodes de dcomposition en vae e e leurs singuli`res (SVD). Dans ces mthodes, o` le signal est restaur dabord avec les e e u e plus fortes valeurs propres, puis en ajoutant progressivement des termes correspondant ` des valeurs propres plus faibles, on constate que la qualit de la restauration a e augmente dans les premi`res tapes (on gagne en prcision). Puis, lorsque des valeurs e e e propres tr`s faibles interviennent (partie mal conditionne de la matrice), le bruit est e e ampli. Enn, si des valeurs compl`tement nulles sont introduites (partie singuli`re e e e de la matrice), tout le signal est perdu. Une deuxi`me mthode consiste ` amortir les termes correspondant aux faibles e e a valeurs propres, au lieu de les supprimer : on choisit des poids wk donnant moins dimportance aux derniers termes du dveloppement. La solution prend alors la forme : e f=
k 1 wk k < P.pk > fk .

(30)

Ces deux solutions ont un inconvnient majeur : elles ncessitent de calculer les e e valeurs propres et les vecteurs propres des matrices Rt R et RRt . Elles sont donc tr`s e lourdes en temps de calcul pour des matrices de taille importante comme cest le cas en tomographie ` rayons X. a Une troisi`me solution, qui ne prsente pas cet inconvnient, consiste ` rechercher e e e a une solution stable en introduisant des contraintes de douceur. On cherche ainsi ` a minimiser une fonctionnelle du type : min J(f ) = Rf P
2

+ (f ),

(31)

dans laquelle (f ) reprsente une contrainte de douceur sur f et est un multiplicateur e de Lagrange. Une fonction simple et classiquement utilise est : e (f ) = f
2

correspondant ` la recherche dune solution de norme minimale. La solution est alors a donne par : e f = (Rt R + I)1 Rt P. (32) En reprenant les rsultats de lanalyse spectrale, f peut scrire sous la forme : e e k f= < P.pk > fk . (33) 2 k + k 26

Cette derni`re quation, bien quelle ne soit pas utilise en pratique pusiquelle ncessiterait e e e e ` nouveau le calcul des valeurs propres et des vecteurs propres, montre que cette soa lution est la mme que la solution amortie de lquation 30, avec : e e wk = 1 . 1 + 2 k

Pour des fortes valeurs propres, le terme 2 est faible et le coecient associ est e k proche de 1. Pour des faibles valeurs propres, le coecient tend vers 0. Cette solution est galement proche de celle obtenue par le ltre de Wiener, mais celui-ci ncessite e e de conna une estimation du bruit et du signal. tre Cette troisi`me solution ncessite bien s r galement de trouver un compromis entre e e u e prcision et stabilit. Elle prsente lavantage de permettre dintroduire des contraintes e e e varies, prenant en compte en particulier des informations a priori. e

5.3

Application aux mthodes algbriques e e

Lapplication directe des mthodes algbriques itratives sur des donnes bruites e e e e e peut conduire ` des phnom`nes assez curieux au cours des itrations : il arrive par a e e e exemple que lalgorithme commence par converger, puis se mette ` diverger. Les a mthodes de rgularisation sont alors indispensables. e e Inversement, la minimisation de la fonctionnelle J(f ) (quation 31) peut tre dife e cile de mani`re analytique et des mthodes itratives sont alors ncessaires. Les e e e e mthodes ART ou SIRT vues dans la partie 4 peuvent tre adaptes ` ce propos. e e e a Par exemple, lutilisation de la mthode ART pour rsoudre le syst`me : e e e R I 0 R f r = P 0 , (34)

o` r reprsente le rsidu Rf p, qui doit tre minimis, conduit ` la solution des u e e e e a moindres carrs de norme minimale. e

Extensions

Les mthodes dcrites ci-dessus supposaient que la gomtrie de lacquisition tait e e e e e une gomtrie parall`le, comme celle des syst`mes de premi`re gnration. Dans le cas e e e e e e e dune gomtrie conique (ou divergente), trois mthodes sont envisageables. e e e 1. La premi`re consiste ` ngliger la divergence. Lerreur induite par cette aproxie a e mation est considre ngligeable si langle du faisceau est faible (typiquement, ee e infrieur ` 15 degrs). Cette mthode est donc applicable aux syst`mes de deuxi`me e a e e e e gnration, mais plus aux suivants o` le faisceau doit recouvrir toute la section e e u du patient an de supprimer la translation. 27

2. La deuxi`me mthode consiste ` rorganiser les donnes en projections parall`les, e e a e e e essentiellement par interpolation. 3. La derni`re mthode consiste ` reformuler compl`tement le probl`me. On constate e e a e e alors que le thor`me de projection nest pas gnralisable, ce qui ne permet pas e e e e de disposer de mthode dinversion directe. Le thor`me de rtroprojection peut e e e e tre adapt aux gomtries divergentes, et lalgorithme est alors le mme que e e e e e pour une gomtrie parall`le, avec la mme lourdeur de calculs. Enn, les fore e e e mules de rtroprojection ltre peuvent tre corriges et donnent lieu ` des algoe e e e a rithmes un peu dirents. Les mthodes algbriques posent moins de probl`mes, e e e e grce ` la exibilit dans le choix des fonctions de base et donc des coecients de a a e la matrice R, permettant aux mthodes dtre adaptes ` direntes gomtries. e e e a e e e La plupart des mthodes analytiques et algbriques peuvent galement tre gnralises e e e e e e e au 3D, an de reconstruire non plus des coupes mais directement un volume 3D. Nous navons pas du tout dcrit les mthodes de type statistique, plus rcentes, e e e que nous mentionnons ici pour mmoire. Elles consistent ` dcrire f et P de mani`re e a e e stochastique, et on cherche par exemple ` trouver la fonction f de variance minimale, a ou encore sous forme baysienne en estimant les probabilits a priori et conditionnelles e e selon le principe du maximum dentropie. Enn, il existe des mthodes structurelles, qui font intervenir explicitement des e connaissances a priori sur la forme des objets ` reconstruire. Ces mthodes trouvent a e un domaine dapplication privilgi en imagerie vasculaire. e e

Rfrences ee
[1] R. N. Bracewell. The Fourier Transform and its Applications. Mac Graw Hill, New-York, 1978. [2] Y. Censor. Finite Series Expansion Reconstruction Methods. Proc. of the IEEE, 71 :409419, 1983. [3] M. E. Davison. The Ill-Conditioned Nature of the Limited Angle Tomography Problem. SIAM Journal of Applied Mathematics, 42(3) :428448, 1983. [4] S. Geman and D. Geman. Stochastic Relaxation, Gibbs Distributions and the Bayesian Restoration of Images. IEEE Trans. on Pattern Analysis and Machine Intelligence, 6(6) :721741, 1984. [5] R. Gordon. A Tutorial on ART. IEEE Trans. on Nuclear Sciences, NS-21 :7893, 1974. [6] R. Gordon and G. T. Herman. Three-dimensional Reconstruction from Projections : a Review of Algorithms. International Review of Cytology, 38, 1973. [7] C. Hamaker, K. T. Smith, D. C. Solmon, and S. L. Wagner. The Divergent Beam X-Ray Transform. Rocky Mountain Journal of Mathematics Winter, 10(1) :253 283, 1980.

28

[8] K. M. Hanson and G. W. Wecksung. Bayesian Approach to Limited-Angle Reconstruction in Computed Tomography. J. Opt. Soc. Am., 73(11) :15011509, 1983. [9] G. T. Herman. Image Reconstruction from Projections : the Fundamentals of Computerized Tomography. Academic Press, New-York, 1980. [10] G. M. Hounseld. A Method and Apparatus for Examination of a Body by Radiation such as X or Gamma. Pat. Spec. No-1283915, 1972. [11] A. C. Kak and M. Slaney. Principles of Computerized Tomographic Imaging. IEEE Press, New-York, 1988. [12] A. K. Louis. Medical Imaging : State of the Art and Future Development. Inverse Problems, 8 :709738, 1992. [13] A. K. Louis and F. Natterer. Mathematical Problems of Computerized Tomography. Proc. of the IEEE, 71(3) :390408, 1993. [14] F. Natterer. The Mathematics of Computerized Tomography. John Wiley and Sons, New-York, 1986. [15] B. D. Smith. Cone Beam Tomography : Recent Advances and a Tutorial Review. Optical Engineering, 29(5) :524534, 1990.

29