SPECT reconstrucción y

filtrado
• ¿Qué es SPECT?
• Adquisición de estudios SPECT
• Reconstrucción de estudios SPECT

• Comprendiendo Filtros (no SPECT)

• ¿Qué es la transformada de Fourier?
• ¿Qué es un filtro de suavizado?
• Filtros de Fourier
• Restauración o recuperación de la resolución

• Comprendiendo Filtros en SPECT

• ¿Qué filtro de SPECT usar?

• Aspectos “engañosos”
• ¿Cuándo filtrar?
• Unidades de frecuencia – frecuencia de
Nyquist
 ¿Qué es SPECT?
¡Tomografía por Emisión de Fotón Único!
• La palabra tomografía significa ‘imagen
seccional del cuerpo’
• es una imagen del interior del cuerpo, como si
se hubiera tomado un cuchillo y cortado una
tajada del cuerpo para lograr ver en su interior.
 Revisión SPECT

• Reconstrucción Tomográfica
objetivo: Entender conceptos usados en reconstrucción
incluyendo filtrado de retroproyección y
reconstrucción iterativa

• Filtrado SPECT
objetivo: entender el comportamiento de filtrado SPECT y
elegir el filtro apropiado
 Adquisición de SPECT

• La cámara simplemente se mueve alrededor del

paciente tomando imágenes estáticas desde
diferentes ángulos. Estas imágenes se conocen
como proyecciones, pues son formadas por la
proyección en la matriz de los fotones
provenientes del paciente.
Single photon emission computed tomography
(SPECT)

* *
¿Qué es SPECT?
• Adquisición de estudios SPECT
• Reconstrucción de estudios SPECT

Comprendiendo Filtros (no SPECT)

• ¿Qué es la transformada de Fourier?
• ¿Qué es un filtro de suavizado?
• Filtros de Fourier
• Restauración o recuperación de la resolución

Comprendiendo Filtros en SPECT

• ¿Qué filtro de SPECT usar?

Aspectos “engañosos”
• ¿Cuándo filtrar?
• Unidades de frecuencia – frecuencia de Nyquist
 ángulo

distancia
sinograma
Reconstrucción Tomográfica

detector
(proyección)

retro
proyección

objeto reconstrucción
 Retroproyección Simple

Retroproyección Filtrada
Planar versus Tomográfica

Proyección Reconstrucción
 La Transformada de Fourier

Frecuencia espacial = no de cyclos / distancia

Amplitud (A) Amplitud (A) x

Frecuencia (f)
Distancia (d) o tiempo (t)
 Curva Original
2

Que es la transformada de Fourier?

1
amplitud
0

-1

Amplitud alta,
-2 x Baja frecuencia
0 0.2 0.4 0.6 0.8 1
distancia (o tiempo) TF Amplitud (A)
x
baja amplitud,
4
Suma de ondas seno individual x alta frecuenci
3
2
Frecuencia (f)
amplitud
1 +

0
-1
-2 +
-3
-4
0 0.2 0.4 0.6 0.8 1
distancia (o time)
 La transformada de Fourier: continua

TF A

cuentas

TF-1

distancia frecuencia
 Fuente punctual perfecta (function delta) Dominio Fourier
1.25 1

ampl 1 0.8
itud

0.75 amplitud
0.6
FT
0.5 0.4

0.25 0.2

0 0
-1 -0.5 0 0.5 1 0 0.2 0.4 0.6 0.8 1
distancia frequencia (fraction of Nyquist)
Point spread function
Dominio Fourier
1.2 1
LEAP
0.96 High resn 0.8

amplitud amplitud
0.6
0.72 FT
0.48 0.4

0.24 0.2

0 0
-1 -0.5 0 0.5 1 0 0.2 0.4 0.6 0.8 1
distancia frequencia (fraccion de Nyquist)
 Transformada Fourier de una imagen

TF
A

cuentas

distancia frequencia
TF-1

TF
 Suavizado Espacial
filter kernel
1 2 1 TF A

2 4 2
1 2 1
frequencia

43 51 42 46 38 0 0 0 0 0

48 57 40 44 46 0 47.6 44.6 42.7 0

40 42 47 35 47 0 45.0 43.3 41.9 0

47 44 41 44 39 0 0 0 0 0

Valores de imagen original Valores de imagen filtrada

Nuevo valor = [(4*57)+2*(48+51+40+42)+(43+42+40+47)]/16 = 47.6

 2d filter kernel

11 2 11
2 4 2
1 2 11

1d filter kernel
TF A

2 4 2

frecuencia
 Filtrado Fourier
imagen

TF filtro TF-1
filtro
A
TF 1

frequencia
0
2d filtro
 Espacial versus Filtrado Fourier

11 -2
-2 11 TF A

-2
-2 44 -2-2
11 -2
-2 11
frecuencia
 A A

No ruido

frequencia frequencia

A A

Con ruido

frequencia frequencia
 Filtrado de Restauración (Metz o Weiner)
restauración

Filtrado Combinado
A
restauracion x suavizado

A
frecuencia
X
suavizado

frequencia Restauración con el

A Ruido reducido

frecuencia
Reconstrucción Tomográfica

* =
 Filtrado Retroproyección

A
A = 1/f
TF

Retroproyección Distribución de Cuentas 1/r frecuencia

A A
A = 1/f filtro 1/f x f = 1
Ramp
(A = f)

frecuencia frecuencia
Reconstrucción Tomográfica

* =

TF
TF TF-1

A A A

x =

frequencia frequencia frequencia

original FBP: no filtrado

ramp: 16 angulos ramp:128 angulos

 Filtro Rampa

A A

frequencia frequencia
 Filtrado Butterworth (SPECT)

A A A

x =

frecuencia frecuencia frecuencia

A A A

x =

frecuencia frecuencia frecuencia

 rampa
A
Filtro rampa Modificado

rampa-Butterworth
frecuencia
A
x
Butterworth

frequencia

frecuencia
 Filtrado 3D
Pre-reconstrucción (2d) Rampa

frecuencia
3D filtrado
Rampa Modificado Post-reconstruccion (1d)

frecuencia
3D filtrado
Ramp Post-reconstruccion (3d)

frecuencia
 Filtros
Filtros Butterworth
Butterworth

1 B/W fc=0.3 n=2

BW fc=0.3 n=10
BW fc=0.6 n=10
0.8
amplitude
0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1
frecuencia/fn
 Filtros Butterworth

0.46 2.5

0.66 5.0

0.86 10.0

Cambia frecuencia corte Cambia orden

(fraccion Nyquist) Fc: 0.56
orden:5
 Unidades Frecuencia
32x32 Matrix 40 cm FOV
4
1 Pixel 1 cm
3 Frecuencia =

0.5 cycles/pixel
2 0.4 cycles/cm
16 cycles/FOV
1 1 * Nyquist f
FOV
0
1 Pixel 1 cm
-1 Frecuencia =

0.25 cycles/pixel
-2
0.2 cycles/cm
8 cycles/FOV
-3 0.5 * Nyquist f

-4
0 0.2 0.4 0.6 0.8 401 cm
32 pixel
Nyquist frequency = medida de frecuencia máxima
usando tamaño dematriz especifica
= 1 / (2 * pixel size)
A

Maximum image frequency

determined by camera resolution

frequency

Nf (32) Nf (64) Nf (128)

Matrix size 32 64 128
 Problemas con el uso de frecuencia de Nyquist

Butterworth filter (64*64) Butterworth filter (128*128)

1.2 1.2
Image Spectrum
B/W fc=0.4 n=10
1 1 B/W fc=0.2 n=10
Image Spectrum
B/W fc=0.4 n=10
0.8 0.8

amplitude
amplitude

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
frequency /fn frequency /fn
 64x64 128x128

Fc=0.3 Fc=0.5

Fc=0.5 Fc=0.25

Fc=0.7 Fc=0.25
(order=10)

Westmead Hospital
Método Iterativo
 Reconstrucción de imágenes
• La reconstrucción de las imágenes tomográficas en medicina nuclear; es
por el filtrado FBP (Filtered Back Projection - Retroproyección
Filtrada) y el método iterativo (Que indica repetición o reiteración)
OSEM (Ordered Subset Expectation Maximization – Subconjuntos
Ordenados por la Máxima Aproximación)

• El propósito es cual de los dos métodos de reconstrucción de imágenes

tomográficas, es la más apropiada, principalmente evaluando artefactos,
contrastes, relación señal-ruido, falsos positivos y negativos y relación
costo / beneficio.

• Las imágenes tomográficas se generan mediante un algoritmo de

reconstrucción, a partir de un conjunto de proyecciones adquiridas del
objeto o paciente. El procedimiento clásico de reconstrucción de
imagen es la retroproyección filtrada (FBP).
 Reconstrucción de imágenes
• Este método es rápido y sencillo, pero no utiliza información estadística. Es
un buen método para aplicaciones en las que el número de cuentas es alto
TC (Tomografía Computada), pero es peor cuando hay un bajo número de
cuentas, como en imágenes de Medicina Nuclear.

• Los métodos iterativos de reconstrucción de imagen se proponen como

alternativas a FBP. Estas técnicas necesitan computadoras rápidas con una
gran cantidad de memoria para procesar las imágenes, y sin lugar a dudas un
gran espacio de almacenamiento; lo que trae un gran costo informático, más
alto que FBP.
• conceptos que acompañan al desarrollo e implementación de estos
algoritmos que cada vez más, ocupa un lugar destacado en la reconstrucción
de las imágenes en Medicina Nuclear.
 ORDERED SUBSETS EXPECTATION
MAXIMIZATION (OSEM)
• ALGORITMOS ITERATIVOS :

Mediante sucesivas estimaciones que surgen de

comparar perfiles reales y teóricos en un proceso de
retroalimentación. Partiendo de una solución inicial
estimada, se construyen sucesivas aproximaciones a
la distribución finalmente aceptable, comparando
uno a uno, los perfiles reales con los surgidos en cada
iteración.
1.- Previo al inicio del proceso se cuenta con el conjunto de los
perfiles obtenidos durante la etapa de adquisición.
2.- Se genera una matriz f ji como propuesta inicial de solución
estimada, generalmente una matriz en la que todos sus elementos
son ceros. El índice superior indica el número de iteración, (ji) hace
referencia a los elementos (j,i) de la matriz.
3.- Se obtienen los elementos de la matriz f1 ji, corrigiendo cada
elemento de la matriz f0ji por un término surgido de la diferencia
entre los elementos i del perfil correspondiente (adquirido) y del
perfil de la estimación anterior (suma de los elementos j del punto i
del perfil de la matriz f0 ji) dividida por la cantidad de elementos
que contengan los perfiles, como indica la expresión siguiente para
el caso general de la iteración (k+1):
Se repite el punto 3 hasta completar la totalidad de los perfiles.
Para aclarar estos conceptos fundamentales a la comprensión del
proceso de iteración plantearemos un sencillo ejemplo numérico.
Dada una distribución interna que produce los siguientes perfiles
para θ = 0°, 45°, 270° y 315°:
Ref: González, Waldemar Fernando
5
El ejemplo anterior consigue la convergencia al valor
real en únicamente tres iteraciones debido al tamaño de
la matriz. En los casos reales es necesario entre 50 y
200 pasos para lograr el mismo efecto. Sin embargo,
dado que en cada iteración se multiplica el ruido existe
un compromiso entre ambos parámetros que implica
que normalmente se trabaje en un intervalo
comprendido entre 15 o 20 iteraciones.
Que es reconstrucción iterativa?
BP
reconstrución
datos estimada
FP

estima
Estimar si esta no
modificar
Acuerdo con data?
yes

Resultado
final
Proyección detector
adelante (proyeccion)

object
(reconstruccion)
Proyeccion
Adelante
 Reconstrucción ML-EM
original
estimate
BP
paciente proyección actualización
original (x ratio)

FP

proyección estimado Estimado

estimada actualmente inicio
 12000

10000
Reconstrucción EM

Chi-squared
8000

6000

4000
300
1 2 5
2000
250

mean square error

200 0 50 100 150

10 15 20 iterations
150

100

50 100 150 50

0
 Pros:
- Fácil para incorporar
- Puede incluir información adicional
ML-EM: - Geometría flexible (fanbeam)
- Buenas propiedades de ruido(signal based)
pros y contras Cons:
- requiere multiples iterationes, lento
- unsure when to stop, task dependent

305k 29k 10k

FBP
3d Butter

EM