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.