Zpětná projekce (FBP): principy

Tento dokument vysvětluje, jak TomoTree počítá filtrovanou zpětnou projekci (Tomo.do_FBP_method, v aplikaci stránka Tomograph → FBP method) a proč se liší od učebnicové metody z lékařské CT. Podrobnou analýzu s odvozením, obrázky, experimenty a testy obsahuje fbp_report.md.

1. Úloha

Senzory na obvodu kmene měří doby průletu napěťové vlny \(t_i\) mezi dvojicemi senzorů. Rozdělíme řez na buňky s neznámou pomalostí \(x_j = 1/v_j\) (převrácená rychlost). Pro paprsek \(i\) platí

\[t_i = \sum_j a_{ij}\, x_j, \qquad \text{maticově } b = A x,\]

kde \(a_{ij}\) je délka \(i\)-tého paprsku v \(j\)-té buňce. Při 12 senzorech je 66 paprsků a tisíce buněk, takže soustava je silně podurčená: rovnic je mnohem méně než neznámých.

2. Klasická (filtrovaná) zpětná projekce

V lékařské CT se pomalost, resp. útlum, zjišťuje z Radonovy transformace: integrálu podél přímky, který závisí na směru \(\theta\) a vzdálenosti \(s\) přímky od středu. Všechna měření uspořádaná do tabulky \((\theta, s)\) tvoří sinogram.

  • Prostá zpětná projekce „rozmaže“ každé měření zpět podél jeho přímky a sečte příspěvky. Obraz vyjde rozmazaný (bodový defekt se rozteče do hvězdy s útlumem \(1/r\)).

  • Filtrovaná zpětná projekce (FBP) nejdřív každý řádek sinogramu (jeden směr \(\theta\)) vyfiltruje rampovým filtrem \(|\omega|\) ve Fourierově prostoru a teprve pak promítne zpět. Filtr přesně ruší rozmazání. Opírá se o větu o Fourierově řezu.

Pro FFT je potřeba sinogram hustě a pravidelně vzorkovaný: stovky směrů a v každém stovky rovnoběžných paprsků. Strom s 12 senzory dává 66 paprsků v „vějířové“ geometrii, tj. asi 12 směrů po 5–6 paprscích, a u nekruhového kmene ani ty neleží na mřížce. Učebnicová FBP s FFT proto použít nejde.

3. Algebraická forma: filtr bez Fourierovy transformace

Zpětná projekce je transpozice: \(A^T\) rozdělí každou dobu průletu do buněk podél paprsku (v poměru délek). Radonova transformace \(R\) odpovídá matici \(A\), zpětná projekce \(R^*\) matici \(A^T\). Rampový filtr je spojitý ekvivalent operátoru \((R R^*)^{-1}\):

\[x = R^* (R R^*)^{-1} b \quad\longleftrightarrow\quad x = A^T (A A^T)^{-1} b.\]

Druhý zápis funguje pro libovolné rozmístění senzorů: matice \(A A^T\) má rozměr počet paprsků × počet paprsků (66×66), takže „filtr“ je jedna malá soustava rovnic místo FFT. Postup je pořád „nejdřív filtrovat data, pak promítnout zpět“:

  1. vyfiltrovat data: \(y = (A A^T + \mu I)^{-1} (b - A s_0)\),

  2. promítnout zpět: \(x = s_0 + A^T y\).

Výsledek je řešení soustavy \(A x = b\) s nejmenší normou odchylky od homogenního modelu \(s_0\).

Homogenní model \(s_0\)

\(s_0 = \sum_i t_i / \sum_i L_i\) je průměrná pomalost (celkový čas / celková délka paprsků). Filtruje se jen odchylka \(b - A s_0\). Homogenní strom tak vyjde přesně a buňky, o kterých data nic neříkají, zůstanou na průměru místo na nule.

Tlumení \(\lambda\)

Matice \(A A^T\) bývá špatně podmíněná: blízké a téměř rovnoběžné paprsky nesou skoro stejnou informaci. Proto se přidává tlumení (Tikhonov v prostoru dat):

\[\mu = \lambda \cdot \frac{\operatorname{tr}(A A^T)}{m},\]

kde \(m\) je počet paprsků a \(\lambda\) je parametr damping. Díky normování průměrným diagonálním prvkem nezávisí \(\lambda\) na jednotkách ani na velikosti mřížky.

  • malé \(\lambda\): obraz přesně splní naměřené časy, ale zesílí chyby měření (přestřely, nereálně rychlá nebo pomalá místa),

  • velké \(\lambda\): hladký obraz s menším kontrastem; pro \(\lambda \to \infty\) se blíží prosté zpětné projekci (až na měřítko).

Doporučený rozsah: s tlustými paprsky 0,5–3 (výchozí 1), s tenkými paprsky 0,05–0,3.

4. Tenké a tlusté paprsky

Tenký paprsek přispívá jen buňkám, kterými přímka prochází. Při několika směrech to dává typické artefakty FBP: pruhy podél paprsků a hvězdu kolem defektu.

Napěťová vlna ale není tenká čára. Doba průletu závisí na oblasti kolem přímky (Fresnelova zóna, šířka zhruba \(\sqrt{\lambda_{vlny} L}\), pro dřevo 0,25–0,6 m vlnové délky). Tlustý paprsek rozdělí délku \(L_i\) do buněk v okolí přímky s Gaussovou vahou:

\[a_{ij} = L_i \frac{w_{ij}}{\sum_k w_{ik}}, \qquad w_{ij} = e^{-(d_{ij}/w)^2},\]

kde \(d_{ij}\) je vzdálenost středu buňky od paprsku a \(w\) šířka paprsku (výchozí 12 % průměru kmene, buňky dál než \(2{,}5\,w\) se ignorují). Součet řádku zůstává rovný délce paprsku, takže homogenní strom vyjde přesně. Tlusté paprsky odstraní pruhy a vyplní buňky mezi paprsky. Cenou je nižší rozlišení: malé defekty (pod ~10 cm) se rozmažou.

Stejnou matici používá i metoda SIRT (_ray_cell_system, _fat_ray_matrix v classes/_tomo_reconstruction.py).

5. Prostá zpětná projekce

S volbou filtered=False (v aplikaci vypnutý přepínač „FBP: Filtered back projection“) se počítá

\[x_j = \frac{\sum_i a_{ij}\, (t_i / L_i)}{\sum_i a_{ij}},\]

tj. každá buňka dostane průměr pomalostí paprsků, které jí procházejí, vážený jejich délkou v buňce. S tenkými paprsky je to v podstatě metoda Rays a zároveň první iterace SIRT. Obraz je rozmazaný a defekty podhodnocuje; slouží ke srovnání a k pochopení, co dělá filtr.

6. Meze rychlosti

FBP nemá meze ani vyhlazení mezi sousedy. Výsledné rychlosti se proto nakonec ořežou na interval speed_min–speed_max, výchozí 0,5 × nejpomalejší paprsek, nejméně však 340 m/s (rychlost zvuku ve vzduchu), a nejrychlejší naměřený paprsek. Report uvádí zvlášť počet buněk oříznutých na horní a na dolní mez. Ořez nahoře je běžný: zdravé dřevo má zhruba rychlost nejrychlejšího paprsku a malý překmit filtru se ořízne. Mnoho buněk na dolní mezi znamená, že je \(\lambda\) příliš malé nebo že jsou některé časy chybné.

Proč 340 m/s: vzduchem v dutině vlna prakticky neprojde (akustická impedance dřeva je asi 2000× vyšší než impedance vzduchu), první příchod vede dřevem kolem dutiny. Buňka pomalejší než zvuk ve vzduchu proto není měření, ale artefakt výpočtu. Mez artefakt neodstraní, jen ho omezí; počet buněk na ní je v reportu. Explicitně zadané speed_min platí i pod 340 m/s.

7. Srovnání na syntetickém stromu

12 senzorů na kruhu o poloměru 30 cm, uprostřed pomalý kruh (dutina) o poloměru 10 cm s rychlostí 500 m/s ve dřevě 1500 m/s, mřížka 40×40. Reziduum je relativní chyba dob průletu \(\|Ax - b\| / \|b\|\) počítaná s tenkými paprsky (pro všechny varianty stejně).

varianta

střed (skutečnost 500 m/s)

okraj (skutečnost 1500 m/s)

reziduum

prostá zpětná projekce, tenké paprsky (≈ Rays)

900

1357

0,084

prostá zpětná projekce, tlusté paprsky

985

1329

0,163

FBP, tenké paprsky, λ = 0,1

992

1334

0,046

FBP, tlusté paprsky, λ = 0,3

475

1474

0,053

FBP, tlusté paprsky, λ = 1 (výchozí)

557

1493

0,029

FBP, tlusté paprsky, λ = 3

702

1447

0,083

SIRT (výchozí)

561

1500

0,029

Prostá zpětná projekce dutinu výrazně podhodnotí. FBP s tenkými paprsky splní časy, ale defekt rozptýlí do pruhů. FBP s tlustými paprsky a \(\lambda \approx 1\) dává stejně dobrý výsledek jako regularizovaný SIRT, a to jedním řešením soustavy 66×66 bez iterací.

8. FBP, nebo SIRT?

Podrobně o SIRT viz sirt.md.

Obě metody řeší stejnou soustavu \(Ax = b\) se stejnými (tlustými) paprsky, liší se regularizací:

FBP

SIRT

regularizace

nejmenší odchylka od \(s_0\) (tlumení \(\lambda\))

vyhlazení sousedních buněk (Laplacián)

meze rychlosti

jen ořez výsledku

v každé iteraci

výpočet

jedna soustava \(m \times m\), okamžitě

stovky iterací

reakční čas přístroje

neodhaduje

volitelně odhaduje

Na reálných datech dávají podobný obraz; FBP občas ukáže drobné „ostrůvky“ u kůry, SIRT je hladší díky vyhlazení sousedů.

9. Korekce EBSI a ERSM zpětnou projekcí

Stejný filtr lze použít i k opravě jiného tomogramu. Místo homogenního modelu \(s_0\) se jako výchozí model vezme výsledek EBSI nebo ERSM \(x_0\) (buňky bez hodnoty dostanou \(s_0\)):

\[x = x_0 + A^T (A A^T + \mu I)^{-1} (b - A x_0).\]

Filtruje se jen nesoulad \(b - A x_0\) mezi naměřenými časy a časy vypočtenými z EBSI/ERSM. Kde data nic neříkají, zůstane výsledek EBSI/ERSM. V aplikaci je to volba Correct by back projection v „Post-processing settings“ (Tomo.correct_with_FBP, analysis.reconstruct(fbp_correction=True, fbp_correction_damping=...)). Paprsky a jejich rychlosti (úseky ERSM) se nemění, mění se jen buňky.

Na rozdíl od „Rescale speeds“ (jedna lineární funkce \(v \mapsto kv + q\) pro všechny buňky, opraví jen kontrast) mění korekce každou buňku zvlášť, takže opraví i tvar a polohu defektu. Na syntetickém stromu s mimostředovou dutinou (500 m/s ve dřevě 1500 m/s):

varianta

dutina

zdravé dřevo

ERSM

1038

1410

ERSM + Rescale speeds

492

1528

ERSM + korekce zpětnou projekcí, λ = 1

524

1464

FBP (samotná)

549

1461

„Rescale speeds“ počítá dobu průletu jako integrál pomalosti podél paprsku. Do října 2026 se počítala z aritmetického průměru rychlostí, který je vždy větší než správný harmonický průměr; přeškálování tím dutiny přehánělo (340 místo 500 m/s) a shodu s naměřenými časy často zhoršovalo.

10. Použití

import tomotree as tomo
t = tomo.Tomo(nodes, speeds, nx=41, ny=41, symmetric=True)
print(t.do_FBP_method())                    # filtrovaná, tlusté paprsky, λ = 1
print(t.do_FBP_method(filtered=False))      # prostá zpětná projekce
print(t.do_FBP_method(ray_width=None, damping=0.1))  # tenké paprsky
t.plot()

nebo jako v aplikaci:

from tomotree import analysis
t = analysis.reconstruct(data, method='FBP', fbp_damping=1.0, fbp_ray_width=0.12)
print(t.fbp_report)

parametr

GUI

výchozí

význam

filtered

FBP: Filtered back projection

ano

filtrovaná / prostá zpětná projekce

damping

FBP: Damping of the filter

1

tlumení filtru \(\lambda\)

ray_width

FBP: Ray width (% of tree diameter)

12 %

šířka tlustého paprsku, 0 = tenké

speed_min, speed_max

–

z dat, dolní nejméně 340 m/s

meze rychlosti v buňkách

Literatura

  1. Kak, A. C., Slaney, M. (1988). Principles of Computerized Tomographic Imaging. IEEE Press. Kap. 3 (zpětná projekce, rampový filtr, věta o Fourierově řezu).

  2. Natterer, F. (2001). The Mathematics of Computerized Tomography. SIAM. (Operátor \((RR^*)^{-1}\) a jeho vztah k rampovému filtru.)

  3. Hansen, P. C. (2010). Discrete Inverse Problems: Insight and Algorithms. SIAM. (Tikhonovova regularizace, řešení s nejmenší normou.)