Next: Conclusion Up: Simulation Numérique de la Previous: Modélisation de l'Imageur :
Du sinogramme à l'Image: La Reconstruction
A côté des reconstructions analytiques qui envisagent la reconstruction par l'inversion de la projection dans un contexte continu, on trouve des méthodes algébriques qui posent comme base une fonctionnelle J(f), où f est un tableau de coefficients qui décrit totalement la distribution radioactive que l'on cherche à estimer. Le volume f, dans notre cas, est un ensemble de voxels (éléments parallelépipédiques de volume). A chaque voxel est associée une valeur représentative de l'activité radioactive sur ce parallelépipède. La reconstruction consiste à trouver l'image f qui minimise la fonctionnelle J. Celle ci se décompose en deux :
- un terme
d'attache aux données. - un terme
de régularisation.
La construction du premier terme s'appuie sur notre
modélisation de
l'opération de projection. En effet, celle-ci associe
à toute
image f un jeu de projections
. Le
terme
va donc
caractériser la distance ou la similarité entre
cette projection
calculée et un jeu de projections p
issues d'un examen. Dans nos
travaux, nous envisageons la distance euclidienne, ce qui revient
à
minimiser
au sens
des moindres
carrés (
). Du fait du mauvais
conditionnement du système, la fonctionnelle construite sur
le
seul terme
n'est
pas suffisante. On introduit donc une fonctionnelle
qui
intègre des informations à priori sur le
système. On considère que le volume à
reconstruire correspond
à des zones homogènes
séparées par des bords
francs (discontinuités). De ce fait, on n'utilise pas
directement
mais
.
, qui contient l'information relative aux
discontinuités, est une fonctionnelle qui ne
dépend pas uniquement de f
mais aussi d'une variable b, processus de ligne,
qui sert à
marquer les discontinuités (Fig:4(c)).
Cette variable b définit un nouveau
critère
, de domaine plus étendu que J,
mais ayant le
même minimum. Minimiser J(f)
est donc équivalent à minimiser
. On
minimise donc :
où
représente le poids accordé
à la régularisation
vis à vis des données. L'algorithme[1][2]
que nous utilisons consiste donc en une minimisation
alternée sur
les deux variables b et f. De
plus, on montre qu'à l'étape
n,
étant fixé, on peut
calculer directement les
discontinuités b de
l'itération n+1.
étant fixé,
la nouvelle estimée
ne s'obtient pas explicitement en
fonction de
et de
, mais par une minimisation
d'énergie. En d'autres termes, il est nécessaire
de résoudre un
système d'équations (équations
normales associées à
)
pour obtenir la nouvelle estimée. Cette
résolution est effectué
par une
méthode de type gradient conjugué[3]. D'où
l'algorithme :
Initialise
.
-14mm[0mm][0mm] Répéter
Calculer
avec
Résolution des équations normales
Jusqu'à convergence
Figure 3: Abaque obtenue par moyennage de
5 FDM pour 500 reconstructions. Plus la valeur est proche de 1, plus la
valeur du couple
est intéressante. La meilleur couple
(33, 0.02) estimé est représenté par
le point A sur la figure. Tous les couples choisis
dans la région orangée voisine de A
fournissent une excellente reconstruction.
Dans cet algorithme,
est la dérivée de la
fonction de
pondération de Green[4].
u représente le gradient
sur le volume
normalisé par la hauteur des
discontinuités
.
Cet algorithme de reconstruction nécessite donc le
choix du couple de variable
.
-
: hauteur des discontinuités. -
: coefficient de lissage.
Pour tester l'influence de ces 2 facteurs sur la
reconstruction, on
calcule un sinogramme bruité (simulateur) à
l'aide d'un fantôme
présentant deux régions uniformes (Fig:4(a)). On effectue
ensuite 500 reconstructions avec pour chaque reconstruction un couple
différent. Sur chaque volume reconstruit, on
estime : la précision à retrouver le volume de
chacune des 2
régions, la précision à retrouver les
valeurs dans chacune des
régions du fantôme initial, le contraste
inter-régions. On moyenne, pour chaque couple
, ces
différentes
Figures De Mérites (FDM). On obtient ainsi une abaque
moyenne
définissant la qualité de reconstruction en
fonction des
paramètres de la méthode (Fig:3).
