Tomographic reconstruction of images with Poisson noise: projection estimation.

A reconstrução tomográfica de imagens com ruído Poisson tem grandes aplicações em medicina nuclear. A demanda por informações mais complexas, como por exemplo, várias secções de um órgão, e a necessidade de reduzir a dosagem radioativa a que o paciente é submetido, requerem métodos adequados para a reconstrução de imagem com baixa contagem, no caso, baixa relação sinal/ruído. A abordagem estatística, utilizando a máxima verossimilhança (ML) e o algoritmo Expectation-Maximization (EM), produz melhores resultados do que os métodos tradicionais, pois incorpora a natureza estatística do ruído no seu modelo. A presente tese apresenta uma solução alternativa, considerando também o modelo de ruído Poisson, que produz resultados comparáveis ao do ML-EM, porém com custo computacional bem menor. A metodologia proposta consiste, basicamente, em se estimar as projeções considerando o modelo de formação das projeções ruidosas, antes do processo da reconstrução. São discutidos vários estimadores otimizados, inclusive Bayesianos. Em especial, é mostrado que a transformação de ruído Poisson em ruído aditivo Gaussiano e independente do sinal (transformação de Anscombe), conjugada à estimativa, produz bons resultados. Se as projeções puderem ser consideradas, aproximadamente, transformadas de Radon da imagem a ser reconstruída, então pode ser aplicado um dos métodos da transformada para a reconstrução tomográfica. Dentre estes métodos, o da aplicação direta da transformada de Fourier foi avaliado mais detalhadamente devido ao seu grande potencial para reconstruções rápidas com processamento vetorial e processamento paralelo. A avaliação do método proposto foi realizada através de simulações, onde foram geradas as imagens originais e as projeções com ruído Poisson. Os resultados foramcomparados com métodos clássicos como a filtragem-retroprojeção, o ART e o ML-EM. Em particular, a transformação de Anscombe conjungada ao estimador heurístico (filtro de Maeda), mostrou resultados próximos aos do ML-EM, porém com tempo de processamento bem menor. Os resultados obtidos mostram a viabilidade da presente proposta vir a ser utilizada em aplicações clínicas na medicina nuclear.Tomographic reconstruction of images with Poisson noise is in important problem in nuclear medicine. The need for more complete information, like the reconstruction of several sections of an organ, and the necessity to reduce patient absorbed radioactivity, suggest better methods to reconstruct images with low-count and low signal-to-noise ratio. Statistical approaches using Maximum Likelihood (ML) and the Expectation-Maximization (EM) algorithm lead to better results than classical methods, since ML-EM considers in its model the stochastic nature of the noise. This thesis presents an alternative solution, also using a Poisson noise model, that produces similar results as compared to ML-EM, but with much less computational cost. The proposed technique basically consists of projection estimation before reconstruction, taking into account a model for the formation of the noisy projections. Several optimal and Bayesian estimators are analysed. It is shown that the transformation of Poisson noise into Gaussian additive and independent noise (Anscombe Transformation), followed by estimation, yields good results. If the projection can be assumed as Radon transform of the image to be reconstructed, then it is possible to reconstruct using one of the transform methods. Among these methods, the Direct Fourier Method was analysed in detail, due to its applicability for fast reconstruction using array processors and parallel processing. Computer simulations were used in order to access this proposed technique. Phantoms and phantom projections with Poisson noise were generated. The results were compared with traditional methods like Filtering-Backprojection, Algebraic Rconstruction Technique (ART) and ML-EM. Specifically, the Anscombe transformation together with a heuristic estimator (Maeda\'s filter) produced results comparable to ML-EM, but spending only a fraction of the processing time