Средства визуализации изображений в компьютерной томографии и цифровых рентгенографических системах (стр. 6 из 11)

4.1. Математическая постановка задачи рентгеновской компьютерной томографии, преобразование Радона и формулы обращения.

В компьютерной рентгеновской томографии трехмерный объект представляется обычно в виде набора тонких срезов. Для восстановления плотности среза решается задача обращения двумерного преобразования Радона. Преобразованием Радона функции f(x, y) называется функция,

определяемая равенством .

Обычно для восстановления функции двух переменных по ее интегралам вдоль прямых используется метод свертки и обратного проецирования. В этом методе формула обращения преобразования Радона записывается без явного использования обобщенных функций. Однако наиболее общий и естественный вид формулы обращения преобразования Радона приобретают при использовании аппарата обобщенных функций. Далее будет рассмотрено соотношение между методом обобщенных функций и методом свертки и обратного проецирования.

Перед изложением собственно численного алгоритма будет дан вывод формулы обращения, позволяющий естественным образом перейти к построению алгоритма.

В силу равенства

функция

при любом фиксированном p определяется своими значениями при . Это позволяет нам перейти к функции

.

Здесь L(r, φ) - прямая, ортогональная лучу, имеющему угол φ ρ положительным направлением оси X, и отстоящая от начала координат на расстояние r (r

0), при r < 0 L(r, φ) - прямая, симметричная относительно начала координат прямой L(|r|, φ). Выразим f(x, y) через I(r, φ).

Поскольку

,

где

- преобразование Фурье функции f, то, переходя к полярным координатам после элементарных преобразований интеграла по φ на интервале [π, 2π], οолучаем

.

Введем функцию S(z, φ), полагая

.

При фиксированном φ функция S(z, φ) εсть обратное одномерное преобразование Фурье от произведения

и |r|. Для справедливо равенство

.

Обратное преобразование Фурье от |r| есть обобщенная функция v1/πz². Переходя от преобразования Фурье произведения к свертке, получаем S(z,φ) = I(z,φ)

(v1/πz²). Используя регуляризацию функции 1/z² [19] приходим к выражению

. (1.5.1)

Таким образом, для f(x, y) справедлива формула

, (1.5.2)

позволяющая выразить искомую функцию через наблюдаемые данные.

Прежде чем перейти к дискретному варианту сделаем ряд замечаний, связанных с обоснованием корректности рассматриваемых алгоритмов в реальных ситуациях. Обобщенные функции являются функционалами над пространством бесконечно дифференцируемых быстро убывающих функций. Однако при построении аппроксимаций исходных реальных данных по отсчетам, заданным в дискретных точках, желательно иметь менее жесткие требования к гладкости аппроксимирующих функций. Свертка с обобщенными функциями, в частности, с функцией 1/z², может быть определена для значительно менее гладких функций, это очень важно при доказательстве корректности применения численных алгоритмов, получаемых с помощью аппарата обобщенных функций, к реальным данным.

Перейдем к дискретному варианту. Будем предполагать, что f(x, y) = 0 вне круга радиуса R с центром в нуле. Исходными данными являются величины I(r_i, φ_i), здесь r_i v отсчеты в интервале [-R, R], 1 ≤ i ≤ M - отсчеты в интервал [0, π], 1 ≤ j ≤ N. Если теперь при заданных значениях функции I(r, φ) β отсчетах (r_i, φ_i) построить аппроксимацию I(r, φ) так, что для S(z,φ) βыполняется равенство (1.5.1), то используя (1.5.1) и (1.5.2) можно получить приближение к f(x, y). В дальнейшем будем предполагать, что отсчеты на осях r и φ являются равноотстоящими.

При каждом фиксированном φ_j определим

следующим образом.

1. Функция

имеет непрерывную первую производную по r.

2. В узлах решетки аппроксимирующая функция совпадает с заданными отсчетами, а ее производная в этих точках равна выборочной. То есть справедливы равенства:

, , здесь h = 2R/(M-1), I(r₀,φ_j) = I(r_M+1, φ_j) = 0, i = 1, -, M.

3. На интервале [r_i, r_i+1] функция

есть полином третьей степени от r.

Перечисленные условия позволяют в явном виде получить коэффициенты соответствующего сплайна. Непосредственными вычислениями можно получить, что

,

где

Q(x) = Q(-x), Q(x) = 0 при |x|> 2h, h=r_i+1-r_i.

Функция Q(x) имеет разрывы второй производной, но модуль второй производной интегрируем, используя это обстоятельство можно показать, что свертка S₀(z) = Q(x)

(-1/πz²) выражается формулой (1.5.1). Непосредственными вычислениями получаем

Графики функций Q(x) и S₀(z) для различных значений h представлены на рис. 1и рис. 2.

Таким образом,

.

Заменяя в (1.5.2) S на

и интеграл частной суммой, получаем f^*(x, y) - приближение к функции f(x, y),

. (1.5.3)

Как уже отмечалось выше, обычно в компьютерной томографии используется метод свертки и обратного проецирования. Рассмотрим соотношение между этим методом и методом, изложенным в настоящем параграфе. Используя интегрирование по частям, свертку с обобщенной функцией 1/z² можно заменить дифференцированием и сверткой с 1/z (преобразованием Гильберта).

То есть функцию

S(z, φ) = I(z, φ)

1/z²

можно представить в виде

S(z, φ) = I_z^/(z, φ)

1/z

При построении численных алгоритмов вместо обобщенной функции 1/z или, что то же самое, интеграла в смысле главного значения, в методе свертки и обратного проецирования используют некоторую последовательность регулярных функций p_А(z), сходящуюся к 1/z (в смысле обобщенных функций) при A стремящемся к бесконечности. Используя интегрирование по частям, дифференцирование переносят на функции p_А(z) и таким образом получают регулярные функции, сходящиеся к 1/z², то есть свертка с обобщенной функцией 1/z² заменяется последовательностью сверток с регулярными функциями p^/_А(z).

Таким образом, шаг свертки в классическом методе можно интерпретировать следующим образом: исходные данные аппроксимируются ступенчатой функцией и осуществляется свертка с регулярной функцией, являющейся приближением к обобщенной функцией 1/z².

В методе настоящего параграфа исходные данные аппроксимируются более гладкими функциями - сплайнами 3-го порядка. Это позволяет точно вычислить свертку с обобщенной функцией 1/z², причем в явном виде.

Шаг обратного проецирования соответствующий интегрированию свертки в обоих алгоритмах одинаков.

При использовании алгоритмов в реальных ситуациях важно уметь оценивать влияние шумов на точность получаемых приближений. Наличие явного выражения для аппроксимирующей функции позволяет вычислить дисперсию ошибки в любой точке при фиксированных δr, δφ θ известных статистических характеристиках шума. Для случая независимого, аддитивного, стационарного шума ξ (z) можно сделать следующее замечание. Рассмотрим процесс η, являющийся сверткой с 1/z² процесса ξ. Спектральная плотность этого линейного преобразования есть |λ|. Для спектральных плотностей процессов ξ и η получаем соотношение f _η(λ) = |λ|²f_ξ(λ). Δисперсия процесса η конечна, если интегрируема f_η(λ), ςо есть процесс ξ дифференцируем в среднеквадратическом. Для того, чтобы свертка выражалась формулой (1.5.1), на процесс ξ нужно наложить дополнительные условия, потребовав, например, чтобы выборочные функции с вероятностью единица имели конечную вторую производную.