Academ

ia
D es

estigac
Inv
i

arrollo

Ciencia

Hctor Cristyan
Manta Caro1
Hctor Fernando
Cancino de Greiff2

Reconstruccin no lineal de
imgenes por resonancia magntica
de datos no cartesianos en espacio K
RESUMEN
En este artculo, se presentan dos mtodos
novedosos de reconstruccin no lineal de imgenes por resonancia magntica de datos no
cartesianos en Espacio K, esto es, muestras no
uniformes en el dominio espacio-frecuencia. En
primera instancia, el mtodo de reconstruccin
por interpolacin en el dominio de la frecuencia, Gridding, y en segundo lugar, el mtodo de
reconstruccin iterativa mediante la pseudo-inversin de la transformada rpida no uniforme
de Fourier con la tcnica no lineal del gradiente
conjugado.
La investigacin se enfoca en la eleccin de
parmetros eficientes para la minimizacin de la
funcin error cuadrtico medio de reconstruccin y su posterior caracterizacin mediante tcnicas de simulacin de Montecarlo. Con el fin
de simplificar y estandarizar el anlisis y aplicacin de los mtodos dichas tcnicas se realizan
sobre una imagen antropognica de tipo numrica, conocida como el phantom de Shepp y
Logan.
Palabras clave: mtodos de reconstruccin,
imgenes por resonancia magntica, transformada rpida no uniforme de Fourier.

NON-LINEAR RECONSTRUCTION OF
MAGNETIC RESONANCE IMAGING OF
NON-CARTESIAN K-SPACE DATA
ABSTRACT

Miembro Grupo de investigacin

Resonancia Magntica RM-UD
Director Grupo de investigacin
Resonancia Magntica RM-UD
Artculo recibido en Febrero de 2005
Aceptado en Abril de 2005

40

Vol. 10 No. 1

Ingeniera

In this paper, two novel methods of non-linear

reconstruction of magnetic resonance imaging of
non-Cartesian K-Space data are presented. That
is non-uniform samples at space-frequency
domain. In the first place, the reconstruction
method by interpolation at frequency domain,
Gridding, and on the other hand, the iterative

reconstruction method by means of the pseudoinversion of non-uniform fast Fourier transform

with the non-linear technique of the conjugate
gradient.
The investigation is focused in the election of
efficient parameters to minimize the
reconstruction mean squared error function and
its subsequent characterization through
Montecarlo simulation techniques. All of this,
to simplify and standardize the analysis and
application of these methods, which are applied
over an anthropogenic image of numerical type,
known as the phantom of Shepp and Logan.
Key words: reconstruction methods, magnetic
resonance imaging, non-uniform fast Fourier
transform.

1. INTRODUCCIN
En la actualidad han surgido mtodos de adquisicin de imgenes por resonancia magntica
ms sofisticados que las convencionales adquisiciones cartesianas, en los cuales los datos colectados de la transformada continua de Fourier en el
dominio espacio-frecuencia se encuentran
muestreados de manera no uniforme [2].
Estas estrategias de muestreo estn basadas en
adquisiciones espirales y radiales del Espacio K
y proporcionan ventajas y propiedades de movimiento comparadas con los mtodos convencionales. As, la imagen no puede ser reconstruida
por simple aplicacin de la transformada inversa rpida de Fourier y deben implementarse estrategias de reconstruccin ms sofisticadas.
De esta forma, se han presentado algoritmos
de reconstruccin con base en operadores de
interpolacin en el dominio de la frecuencia, y
as emplear las ventajas computacionales de
algoritmos como la FFT [8], con complicacio-

nes en el manejo de la no uniformidad del

muestreo, que conlleva la generacin de zonas
sobremuestreadas, y factores que reducen la calidad de la imagen reconstruida como el aliasing,
y las rplicas.
Los intentos por solucionar estos problemas
en la reconstruccin de imgenes mdicas han
llevado a la bsqueda de la llamada transformada rpida no uniforme de Fourier [1], [9], la cual
podra tener la complejidad de los algoritmos de
Cooley y Tukey [4] y ser exacta. Sin embargo, las
soluciones actuales de transformada rpida no
uniforme son soluciones aproximadas [5].
As pues, se presenta una comparacin entre
mtodos convencionales de reconstruccin basados en operadores de interpolacin y el algoritmo de reconstruccin iterativa a fin de establecer
parmetros eficientes para la minimizacin del
error cuadrtico medio de reconstruccin en ausencia de ruido, y en presencia de ruido blanco
gaussiano de media cero.

2. ADQUISICIN DE IMGENES POR

RESONANCIA MAGNTICA
La tcnica de adquisicin de Imgenes por
Resonancia Magntica (IRM) [13] usada principalmente en los campos de la medicina comenz con la tomografa, la cual consiste en producir imgenes en una delgada seccin a lo largo
del volumen del cuerpo humano. Durante la
adquisicin de imgenes IRM, el objeto se coloca en un campo magntico constante B0 , al irradiar el objeto con un pulso de radiofrecuencia
con una banda de frecuencia angosta, slo los
espines en la frecuencia de resonancia sern excitados, los cuales se encuentran en una delgada
seccin perpendicular a la direccin del
gradiente. Los gradientes de campo son controlables en tres ejes ortogonales entre s
G = (G x , G y , G z ) .
Debido a los gradientes de campo, la frecuencia de resonancia del espn depende de su posicin, frequency encoding. Por desplazamiento del
gradiente de seccin G z durante el tiempo de
excitacin, una angosta seccin perpendicular al
eje z se excita. La codificacin espacial con el
plano seleccionado se realiza mediante modificacin de los gradientes en funcin del tiempo:
G (t ) = (G x (t ), G y (t )) . La seal recibida, FID Free

Induction Decay, resultante de modificar los

gradientes controlables de campo magntico es
igual a la transformada continua de Fourier de
la imagen de la seccin, a lo largo de la trayectoria K (t ) .
2.1. Trayectorias del Espacio K

La secuencia de frecuencias espaciales

muestreadas durante la adquisicin de datos
IRM se conoce por trayectorias del Espacio K,
estas poseen un alto valor informativo, ya que
muestran el momento en que se mide cada frecuencia espacial. En la Figura 1 se muestra una
trayectoria tipo Lissajous, determinada en el
espacio k por:
k x (t ) = k max sin (2 x t )

(1)

k y (t ) = k max sin(2 y t )

(2)

Donde k max es la mxima frecuencia espacial

muestreada, la frecuencia de variacin de campo magntico y en la Figura 2, se muestra un
patrn de trayectoria espiral con desfase , determinada por:
k x (t ) = k max t cos(2t + )

(3)

k y (t ) = k max t.sen (2t + )

(4)

Figura 1. Secuencia de pulsos de la adquisicin

tipo Lissajous y cubrimiento en el Espacio K.

Figura 2. Secuencia de pulsos de la adquisicin

espiral y cubrimiento del Espacio K.

2.2. Phantom de Shepp Logan

El Phantom de Shepp Logan [11] es una superposicin de 10 elipses, ver Figura 3, las cuales representan caractersticas del cerebro humano.
Vol. 10 No. 1

Ingeniera

41

muestreo no Cartesiano, los datos muestreados

en el dominio de Fourier estn dados por:
(7)

M S (k x , k y ) = M ( k x , k y ) S ( k x , k y )

los cuales se convolucionan con una funcin

C ( k x , k y ) , Gridding Kernel, posteriormente, se

muestrean
sobre
una
cuadricula
Cartesiana III (k x , k y ) con separacin entre puntos k de forma:

Figura 3. Phantom de Shepp Logan.

Amplitud de la seal FID.

Su principal ventaja es tener una expresin

analtica simple para su transformada continua
de Fourier. La transformada continua de Fourier
2D en este caso E de una elipse de intensidad
, semiejes de longitud A y B , ngulo de orientacin y centrada en el punto x 0 , y 0 est dada
por:
E = e

i ( k x x0 + k y y 0 )

J 1 B (u ' AB 1 ) 2 + v' 2

(5)

(u ' AB 1 ) 2 + v' 2

en donde u ' = K Cos + K Sin , v' = K Sin + K Cos y J 1

es la funcin de Bessel de primer orden y primer tipo. As pues, la transformada continua de
Fourier del Phantom completo se describe por:
x

E (k x , k y ) = E (k x , k y ; i ; x0 , y 0 ; Ai , Bi , i )
i

i =1

(6)

kx k y
M S (k x , k y )

,
M SCS (k x , k y ) =
III

* C (k x , k y )
k x k y

(8)

en donde el smbolo * corresponde al operador convolucin bidimensional. Despus que

todos los datos muestreados son procesados, se
aplica la transformada inversa discreta de Fourier
2D, para producir la imagen.
3.2. Compensacin de la densidad
no uniforme del muestreo

La transformada inversa de la funcin de

muestreo no uniforme S (k x , k y ) , es la respuesta
al impulso del sistema s ( x, y ) , la cual afecta con
aliasing por los lbulos laterales a la imagen. La
solucin para corregir la densidad no uniforme
de muestreo en la operacin Gridding que tiene
dos opciones:
Una es la precompensacin:

3. MTODOS DE RECONSTRUCCIN
Los algoritmos de reconstruccin se agrupan
en tres grandes reas:
Grid-Driven: los valores de cada punto en la
cuadrcula son interpolados de los datos vecinos en el Espacio K.
Data-Driven: la contribucin de cada dato es
sumado al punto de la cuadrcula Cartesiana
adyacente. Ejemplo: el algoritmo Gridding.
Finalmente, existe un grupo de algoritmos que
calculan aproximaciones locales a fin de minimizar el error de interpolacin en localizaciones especficas de los datos muestreados y los
puntos de la cuadrcula.
3.1. Reconstruccin Gridding

La idea fundamental del mtodo de reconstruccin Gridding [8] es como sigue: sea m( x, y )
una funcin bidimensional con transformada de
Fourier M (k x , k y ) y S (k x , k y ) una funcin de
42

Vol. 10 No. 1

Ingeniera

S ( k x , k y )

k
M (k x , k y )
k
(k x , k y ) III x , y
M (k x , k y ) =
k x k y

* C (k x , k y )

(9)

La otra es la postcompensacin:
(M (k x , k y ) S (k x , k y ) )

k
ky
* C (k x , k y )

III x ,
M (k x , k y ) =
k k
(k x , k y )
x
y

(10)

As, existen muchas alternativas para estimar

la funcin de compensacin (k x , k y ) : una alternativa es calcular numricamente las reas asociadas con cada muestra. Para este fin, se describe un algoritmo llamado diagrama de Voronoi
[10]. As, la inversa de la funcin de densidad de
rea es equivalente a la funcin de compensacin, ver Figura 4.
3.3. Funcin de convolucin Gridding
Kernel y funcin de apodization

La funcin de convolucin ideal es

la cual es una funcin
de extensin infinita y debe truncarse en algn
punto. Un primer procedimiento es realizar un
sinc(k x k x )sinc(k y k y ) ,

ventaneo de la funcin. Un segundo procedimiento es la reduccin del ancho de la funcin

de convolucin. Esta convolucin en el algoritmo Gridding tiene un doble efecto: un resultado
indeseable al producir una atenuacin no uniforme o apodization, y una supresin de los lbulos laterales generados por la funcin de
muestreo no Cartesiana.

en el espacio k, denominada cuadrcula 1X. As,

la densidad de la cuadricula se selecciona a un
tamao mayor que la densidad de los datos del
espacio k, de tal forma se reduce tanto el efecto
de apodization como el aliasing. Se introduce un
factor de incremento de densidad de la
cuadricula, de modo que ahora se emplea una
cuadricula en el espacio k:
k k
x, y

(12)

4. TRANSFORMADA RPIDA NO
UNIFORME DE FOURIER (NUFFT)

Figura 4. Trayectoria Espiral y su correspondiente:

Diagrama de Voronoi, funcin de densidad de rea
y funcin de compensacin de densidad.

La funcin de apodization c( x, y) es la transformada de Fourier de la funcin de convolucin,

Gridding kernel, la cual puede calcularse analticamente para una gran variedad de ventanas. De
este modo, la apodization puede corregirse al dividir la imagen por la funcin de deapodization.
En la prctica, es frecuente dividir la imagen solo
por una parte de la funcin de apodization. Una
forma de limitar la deapodization es dividir la imagen en todo el campo de vista de la imagen FOV
field of view por la funcin c( x, y) + a con a constante, en lugar de c( x, y) , de tal modo que la imagen reconstruida es:
m ( x, y ) =

{[ m ( x, y ) * s ( x, y )] c ( x, y )}

1
x
y

,
c ( x, y ) + a * III

FOV
FOV
x
y

(11)

El corazn de la reconstruccin iterativa de

imgenes de muestras no uniformes en la frecuencia es la NUFFT hacia delante [3]. La cual
puede ser definida de la siguiente forma: Definiendo = (1 ,..., k ) donde k [ , ] como un
vector de frecuencias no uniformemente distribuidas y f = ( f N / 2 ,..., f ( N / 2 ) 1 ) donde f n C como
un vector de muestras de la seal complejo. La
Transformada No Uniforme de Fourier est definida por [6]:
Fk =

n = N / 2

exp( in k )

(13)

con n entero, en notacin matricial:

(14)

F = f

donde C KxN ( K N ) es una matriz de rango

completo que contiene K funciones
exponenciales discretas en sus filas.
Una aproximacin rpida T del operador no
uniforme de Fourier puede ser realizada proyectando la seal f en alguna base uniforme
sobremuestrada de Fourier C qKxN usando la
FFT estndar y empleando luego un mtodo de
interpolacin.

3.4. Sobremuestreo del Espacio K

En los casos considerados, se tiene el problema de la rplica de los lbulos laterales, los cuales tiene la misma amplitud de la imagen deseada, en los bordes del FOV , el cual es una medida
de la dimensin de la imagen. El problema consiste en la inexistencia de una banda de transicin, esto es consecuencia directa de la reconstruccin de la imagen a partir de una cuadrcula
del mismo nmero de muestras, que los datos

N / 2 1

(15)

F Tf = U p f

donde U p denota el operador interpolacin. Recientemente, Fessler y Sutton [5], [6] proponen
obtener coeficientes de interpolacin que minimizan el mximo error de aproximacin. Este
acercamiento puede ser formulado como un
problema min.-mx.
u k kp f k f
min max
2
uk

1
2

(16)
Vol. 10 No. 1

Ingeniera

43

donde u k es la parte no cero de la fila k-sima

de la matriz de interpolacin U p , kp es la parte
de la base sobremuestreada de Fourier , conteniendo p vecinos ms cercanos de los elemen1
tos de la base no uniforme k y f 22 = f 2 denota la norma sub-dos de f.
4.1. Transformada inversa rpida no uniforme
de Fourier

Una solucin sencilla del problema inverso de

la Ec. (14) es una operacin computacionalmente
extensa, la cual est dada por la pseudo inversa
Moore-Penrose:
f = + F = ( H ) 1 H F

(17)

el superndice H denota transpuesta Hermitiana. Sin

embargo, tal solucin es prcticamente imposible
cuando el nmero total de muestra N es grande,
puesto que necesita de la inversin de una matriz de
N 2 xN 2 en el caso 2D. Alternativamente, la Ec. (17)
puede ser reformulada como un problema de
minimizacin del error de la seal reconstruida:
min Tf F
f

2
2

funcin de densidad de probabilidad Gaussiana

con media nula [12]. Por tal razn las simulaciones de Montecarlo se realizan con seales contaminadas con ruido Gaussiano.
5.2. Reconstruccin de IRM

Las reconstrucciones se realizan sobre el

phantom de Shepp-Logan y un phantom compuesto por seis circunferencias. La Ec. (6) determina
la expresin analtica de la transformada continua de Fourier de cualquier phantom, la cual es la
base para la adquisicin no uniforme de los datos IRM, mediante muestreo en trayectoria espiral. La reconstruccin Gridding simple sobre
una cuadricula 1X, es un operador que no realiza la correccin de la densidad de muestreo, ni
deapodization [8], Figura 5 (a).
Una reconstruccin Gridding con
precompensacin de la densidad de muestreo
se muestra en la Figura 5 (b). La funcin de compensacin de densidad se calcul mediante el
diagrama de Voronoi [10], ver Tabla I. La Figu-

(18)

El problema puede ser resuelto iterativamente

con varias tcnicas de resolucin de ecuaciones
integro-diferenciales no lineales, dentro de tales
mtodos se propone en la presente investigacin el uso del mtodo no lineal del Gradiente
Conjugado [7] con la frmula de actualizacin
de Fletcher Reeves.

5. SIMULACIONES DE MONTECARLO
La palabra simulacin se refiere a un programa de tipo computacional, basado en modelos
probabilsticos a fin de imitar un sistema real,
caracterizar o establecer relaciones entre variables especialmente cuando otros tipos de anlisis son complejos matemticamente o existen
dificultades para reproducir un experimento y
los mtodos de Montecarlo abarcan una coleccin de tcnicas estocsticas.

(a)

(b)

(c)

5.1. Ruido en IRM

Recientes investigaciones se refieren al ruido

trmico como principal elemento perturbador
en el sistema de recepcin de la seal de resonancia magntica [12]. Adems, puede mostrarse que el ruido trmico se caracteriza por una
44

Vol. 10 No. 1

Ingeniera

(d)

Figura 5. Reconstruccin Gridding en seales no ruidosas.

ra 5 (c) muestra la reconstruccin Gridding 2X.

Cabe notar que es posible incrementar la densidad de la cuadrcula cartesiana a un valor mayor
e incluso en valores no enteros.
La Figura 5 (d) muestra la reconstruccin
Gridding 2X con precompensacin de densidad
de muestreo mediante diagramas de Voronoi, y
deapodization parcial. Se introduce un ndice de
deapodization , tal como se describe en la Ec. (11).
Ver Tabla II.
En la Tabla I, se muestran los valores de error
cuadrtico medio para distintos ndices de
precompensacin, esto es, la variacin o delta
de la funcin de precompensacin entre sus niveles mximo y mnimo, sin supresin del nivel
D.C. de la seal.

Tabla III. Comparacin del error cuadrtico medio de reconstruccin en

los mtodos Gridding.
M todo de Re cons truccin
Gridding
Gridding
Gridding
Gridding

Simple
con Precompensacin de Densidad 1X
con Precompensacin de Densidad 2X
con Precompensacin de Densidad 2X y Deapodization

e RM S
Phantom 1 Phantom 2
0,0356
0,1563
0,0105
0,0191
0,0100
0,0150
0,0071
0,0152

FletcherReeves para la minimizacin del error

de reconstruccin mediante aplicacin del operador directo rpido no uniforme de Fourier, as
se observa que este error posee un valor asinttico,
que evidencia el error de aproximacin en la aplicacin del operador rpido no uniforme de
Fourier. As mismo en la Figura 6 se muestra las
imgenes en la 1, 2 (a), (b) y 15 (c) iteracin.

En la Tabla III, se muestran los valores del

error cuadrtico medio de reconstruccin, empleando el mtodo convencional Gridding, para
una adquisicin sin ruido.
(a)

5.3. Reconstruccin iterativa

En la Tabla IV se listan los 20 primeros valores

del error cuadrtico de reconstruccin en el mtodo iterativo, empleando el mtodo del gradiente
conjugado con la frmula de actualizacin de
Tabla I. Error cuadrtico medio de reconstruccin en el mtodo
Gridding y precompensacin.

ndice de pre compe ns acin

(b)

e RM S
Phantom 1 Phantom 2

0,0

0,0356

0,1563

0,2

0,0343

0,1550

0,4

0,0325

0,1456

0,6

0,0283

0,1110

0,8

0,0227

0,0761

1,0

0,0105

0,0191

(c)

Phantom 1: Phantom de prueba de s eis (6) circunferencias .

Phantom 2: Phantom de Shepp Logan.

Figura 6. Reconstruccin iterativa en seales no ruidosas.

Tabla II. Error cuadrtico medio de reconstruccin en el mtodo

Gridding 2X con precompensacin de densidad de muestreo mediante
diagramas de Voronoi y deapodization parcial.
ndice de deapodization
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5

e RM S
Phantom 1 Phantom 2
0,01514
0,00725
0,01515
0,00723
0,01517
0,00721
0,01519
0,00719
0,01520
0,00717
0,01522
0,00716
0,01523
0,00714
0,01525
0,00713
0,01526
0,00712
0,01528
0,00710
0,01529
0,00709

P1 + P2
0,02238
0,02238
0,02238
0,02238
0,02237
0,02237
0,02238
0,02238
0,02238
0,02238
0,02238

5.4. Reconstruccin en presencia de ruido

Las muestras no uniforme se contaminan con

ruido blanco Gaussiano a valores de relacin
seal a ruido de 5, 10, 15, 20, 25 y 30 dB. Se
caracteriza la funcin aleatoria de error
cuadrtico de reconstruccin, mediante la aplicacin de mtodos de simulacin de Montecarlo.
El nmero de ensayos para calcular los promedios estadsticos se determina mediante obVol. 10 No. 1

Ingeniera

45

servacin de la variacin de los promedios estadsticos en funcin del nmero de ensayos,

lo que corresponde a determinar el k-simo ensayo en el que la derivada de la esperanza y la
varianza sea aproximan a cero, en el caso especifico un valor de variacin igual a 10-5 determina este nmero de ensayos, Tabla V. En la
Figura 7 se muestran los cortes transversales
de los phantoms 2D reconstruidos por ambos
mtodos: el mtodo iterativo y el mtodo convencional Gridding.
Tabla IV. Error cuadrtico medio de reconstruccin en el mtodo
iterativo propuesto.
e RM S
Nme ro de Ite racin
Phantom 1
Phan tom 2
Iteracin 1
0,0593
0,1777
0,0166
0,029 1
Iteracin 2
Iteracin 3
0,0149
0,0311
Iteracin 4
0,0132
0,0205
Iteracin 5
0,0119
0,0210
0,017 3
Iteracin 6
0,0116
0,0100
Iteracin 7
0,0172
Iteracin 8
0,0097
0,0159
Iteracin 9
0,0085
0,0156
Iteracin 10
0,0085
0,0151
0,014 9
Iteracin 11
0,0077
Iteracin 12
0,0078
0,0148
Iteracin 13
0,0074
0,0146
Iteracin 14
0,0075
0,0147
0,0071
0,014 5
Iteracin 15
Iteracin 16
0,0073
0,0147
0,0070
Iteracin 17
0,0146
Iteracin 18
0,0072
0,0148
Iteracin 19
0,0070
0,0147
Iteracin 20
0,0072
0,0149

Tabla V. Nmero de ensayos en funcin de la relacin seal a ruido

para lograr una variacin de error de 10-5.
Re lacin Se al a Ruido SNR (dB )

Nmero de Ensayos
1,00E-05

78

10

54

15

42

20

37

25

34

30

31

6. CONCLUSIONES
El problema dominante en el operador
Gridding simple es el excesivo componente D.C.
debido a que la trayectoria espiral sobremuestrea
las bajas frecuencias. Se observa adems el efecto de rplicas y aliasing por causa de la
convolucin entre la imagen ideal y la transformada de Fourier de la funcin de muestreo no
uniforme y el re-muestreo rectilneo en el espacio k. Las rplicas que se presentan en la imagen
46

Vol. 10 No. 1

Ingeniera

(a)

(b)

(c)

(d)
Figura 7. Corte transversal del (a) Phantom ideal, (b) y (c)
phantoms 2D reconstruidos por mtodo de Gridding, (d)
phantoms 1D reconstruidos por el mtodo iterativo.

producto del re-muestreo cartesiano, pueden

reducirse por medio de un sobremuestreo en el
espacio k.
La eleccin del ndice de deapodization en el
mtodo de reconstruccin convencional es un
compromiso entre compensar los efectos del remuestreo cartesiano (rplicas) o los efectos de la
funcin de convolucin (apodization). En el mtodo de reconstruccin Gridding se observa una
disminucin del error cuadrtico medio de reconstruccin a medida que aumenta la variacin
de valor pico a pico de la funcin de
precompensacin, siempre que el valor mnimo
de la funcin sea estrictamente igual a 0, eliminacin de la componente D.C. de la seal.
El error de reconstruccin en el mtodo
iterativo posee un valor asinttico, que evidencia el error de aproximacin en la aplicacin del
operador rpido no uniforme de Fourier. Es de
anotar que en el mtodo iterativo propuesto no
se realiza precompensacin de la densidad de
muestreo, lo cual constituye una de las ventajas
del mtodo iterativo en comparacin al mtodo
convencional. As mismo tampoco se realiza
deapodization de la imagen reconstruida.

Sin embargo, existe un aumento en las rplicas debidas al muestreo no uniforme en trayectoria espiral, an as se logra obtener mejores
resultados y se reduce la complejidad de la tcnica de reconstruccin en este aspecto, aunque
se agregan tcnicas adicionales en la actualizacin de la direccin del gradiente conjugado de
bsqueda, pero esencialmente se incrementa la
complejidad en la incorporacin de la tcnica de
bsqueda lineal. El nmero de ensayos es funcin de la mnima variacin permitida en las observaciones y la relacin seal a ruido.

[10]. Rasche, V., Proska, R., Sinkus, R., Boernert, P., Eggers, H.
Resampling of data between arbitrary grids using convolution
interpolation, IEEE Transactions on Medical Imaging, Vol. 18,
No. 5, pp 385-392, 1999.

REFERENCIAS BIBLIOGRFICAS

[11]. Shepp, Lawrence. A. Logan B. F. The Fourier reconstruction of

a head section, IEEE Transactions on Nuclear Sciences, Vol.
21, No. 3, pp. 2143, June 1974.

[1]. Bagchi, S., Mitra, S.K., Nonuniform Discrete Fourier Transform

and its Signal Processing Applications, Norwell, M.A.: Kugler,
1999.

[12]. Sijbers, J, Signal and Noise Estimation from Magnetic

Resonance Images, Ph.D. Thesis, Department of Physics,
University of Antwerp, Antwerp (Belgium), 1999.

[2]. Bronstein, M. Bronstein, A. Zibulevsky, M. Azhari, H.

Reconstruction in ultrasound diffraction tomography using nonuniform FFT, IEEE Transaction on Medical Imaging, Vol. 21
No. 11, pp. 1395-1401, November 2002.

[13]. Stuart, C. Functional MRI: Methods and Applications.

www.fmrib.ox.ac.uk/~stuart, September 2000.

[7]. Gilbert, J.C. Nocedal, J., Global Convergence Properties of

Conjugate Gradient Methods for Optimization. SIAM Journal
on Optimization, Vol. 2, No. 1, pp. 21-42, 1992.
[8]. Jackson, J.I. Meyer, C.H. Nishimura, Dwight G. Macovski, Albert.
Selection of a Convolution Function for Fourier Inversion Using
Gridding. IEEE Transactions on Medical Imaging, Vol. 10, No.
3, pp 473 478, September 1991.
[9]. Oppenheim, A. Johnson, D, Computation of spectra with
unequal resolution using the fast Fourier transform,
Proceedings. IEEE, Vol. 59, pp. 299301, 1971.

[3]. Bronstein, M. Bronstein, A. Zibulevsky, M., The non-uniform

FFT and some of its applications, pp. 1-51, November 2002.
[4]. Cooley, J. W. Tukey, J.W. An algorithm for the machine
calculation of complex Fourier Series. Mathematical
computation, Vol. 19, pp 297-301, April 1965.
[5]. Fessler, J.A. Sutton, B.P., Nonuniform Fast Fourier Transforms
Using Min-Max Interpolation. IEEE Transaction on Signal
Processing, Vol. 51, pp 560-574, February 2003.
[6]. Fessler, J.A. Sutton, B.P. A min-max approach to the
multidimensional nonuniform FFT: Application to tomographic
image reconstruction, Proceedings IEEE International
Conference on Image Processing, Vol. 1, pp. 7069, 2002.

Hctor Cristyan Manta Caro

Ingeniero Electrnico U. Distrital. Estudiante Maestra en Ciencias
de la Informacin y las Comunicaciones U. Distrital.
hcmantac@udistrital.edu.co

Hctor Fernando Cancino de Greiff

Ingeniero Electrnico U. Distrital, MSc. Sistemas Digitales U.
Central de Venezuela. Dr. en Ciencias Tcnicas U. Central de las
Villas, Cuba. Profesor Asociado U. Distrital.
fcancino@udistrital.edu.co

Vol. 10 No. 1

Ingeniera

47