Attardons nous quelques instants sur la problématique de la reconstruction! Nous avons d'un coté un jeu de données fournies par notre imageur, et de l'autre coté la volonté de connaître la valeur de la distribution introduite dans l'imageur. Dans notre description du sinogramme, nous avons montré comment partant de nous pouvions construire un jeu de données . Il s'agissait du problème direct. Lors de la reconstruction, nous cherchons à inverser ce processus.
Dans une approche analytique, le lien qui unit la projection au volume est établi dans un monde continu. Nous envisageons simplement la projection comme une intégration suivant une ligne de coïncidence (Fig.9.1.a). La reconstruction représente alors une inversion analytique de cette intégration. Or, les données de projection et le volume doivent être discrétisés pour pouvoir être mémorisés. Il faut échantillonner et (discrétisation). La nature discrète des données n'est envisagée qu'au moment de l'archivage/relecture des données.
Dans une approche algébrique, le problème direct est appréhendé dans un contexte discret (Fig.9.1.b). Distribution et projections sont alors deux vecteurs monodimensionnels et . Sur une base de voxels, chaque élément traduit la valeur moyenne sur un élément de volume (voxel) référencé par . De même représente le nombre de photons détectés par un élément de surface d'un plan de projection référencé par (dexel). De surcroît, chaque composante de l'un quelconque de ces deux vecteurs ne peut prendre qu'un nombre fini de valeurs. Cette valeur correspond à un état particulier dans lequel se trouve le voxel ou le dexel (quantification). Il y a états possibles pour chaque voxel et pour chaque dexel . (ou ) représente l'espace des états pour les voxels (les dexels). Ce nombre est fonction du type (short, float, ...) dans lequel sont stockées distribution et projections. De par cette nature discrète, il existe un nombre fini de volumes possibles, où représente le nombre de voxels.
Reconstruire, c'est donc choisir parmi ces volumes possibles celui qui semble le plus approprié au vu des projections mesurées.
On définit une fonction de coût qui, pour un jeu observé de projections, donne une idée de la pertinence de chaque image considérée. La reconstruction revient à minimiser cette fonction de coût. Elle s'inscrit donc dans le domaine plus général de la minimisation de fonction. Il est évident que le choix de la fonction conditionne la qualité de la reconstruction. La richesse de l'approche algébrique provient justement de ces multiples fonctions envisageables. Le lien entre les projections et le volume n'est plus rigide, comme il pouvait l'être dans le cas d'une reconstruction analytique.
Nous limitons notre étude à la modélisation de la projection par un lien linéaire. Les projections sont alors une somme pondérée des différentes composantes de l'image, ou en envisageant une écriture matricielle:
Pour bien comprendre le sens de la reconstruction algébrique, nous l'introduisons dans un contexte statistique. Dans une approche statistique, l'image est considérée comme un champ aléatoire. La reconstruction se résume alors à ceci:
Comment, pour le jeu de données observées et parmi les réalisations possibles de , choisir la distribution la plus probable. Autrement dit, on veut maximiser la probabilité de sachant ou probabilité a posteriori: . D'après Bayes, cette probabilité peut s'exprimer différemment:
Dans l'expression Eq.9.3, pour trouver l'image qui optimise le critère global , il est nécessaire de minimiser de façon conjointe deux termes et . A toute image , le premier terme attribue la vraisemblance que la projection soit issue de cette image. Ce critère s'appuie donc sur le lien pour passer de l'image à ses projections. C'est au niveau de ce terme que la modélisation du problème direct va intervenir. C'est un terme d'attache aux données qui donne un coût sur la façon dont on projette une image. Ce critère dépend donc:
Nous avons donc pour établir une reconstruction algébrique de multiples degrés de liberté. Le choix de l'algorithme de reconstruction est dépendant de la réponse à ces 3 questions:
L'avantage de la fonctionnelle (Eq.9.3) sur laquelle repose la reconstruction algébrique est qu'elle dissocie la reconstruction à proprement parler () de la régularisation (). On peut donc s'attacher à décrire la fonctionnelle de régularisation d'abord, puis celle d'attache aux données et les algorithmes qui en découlent et qui furent envisagés. C'est pourquoi, nous allons d'abord décrire le choix d'une fonctionnelle qui s'appuie sur des principes qui furent d'abord énoncés en segmentation. Nous pourrons ensuite lui ajouter le terme d'attache aux données qui nous mènera directement aux algorithmes que nous avons envisagés dans nos travaux.