¿Se puede reconstruir el interior invisible a partir de sombras y proyecciones?：Problemas inversos, transformada de Radon y las matemáticas de la tomografía computarizada

Introducción: Escudriñar lo invisible a través de las sombras

En la experiencia cotidiana, la causalidad sigue una dirección natural e intuitiva: si conocemos la geometría exacta de un objeto y la posición de una fuente de luz, la silueta de la sombra proyectada en la pared se calcula fácilmente mediante la óptica geométrica elemental. De manera similar, si se conocen la densidad y las propiedades elásticas de las capas geológicas del subsuelo terrestre, la propagación de ondas sísmicas desde un epicentro hasta las estaciones de medición puede simularse con alta precisión mediante la ecuación de ondas. Este proceso de deducir el efecto (datos de medición externos) a partir de la causa (parámetros físicos internos del sistema) se denomina problema directo (Forward Problem). Los problemas directos suelen ser estables, deterministas y con solución única.

Sin embargo, en la medicina moderna, la geofísica y la exploración espacial nos enfrentamos a la situación opuesta:

Tomografía computarizada médica (TC / TAC): Sin realizar una incisión quirúrgica, ¿cómo podemos reconstruir con precisión milimétrica la distribución de densidad de tejidos blandos, vasos sanguíneos o microtumores a partir de proyecciones unidimensionales de rayos X tomadas desde múltiples ángulos exteriores?
Prospección geofísica: ¿Cómo determinar la presencia de fallas tectónicas o depósitos de petróleo a kilómetros bajo tierra a partir de ondas elásticas reflejadas en la superficie?
Interferometría astronómica: ¿Cómo logró el Telescopio del Horizonte de Sucesos (EHT) sintetizar la primera imagen del agujero negro supermasivo a partir de datos espaciales extremadamente dispersos?

Esta tarea matemática de inferir la causa física interna a partir de los datos observados se denomina problema inverso (Inverse Problem).

  flowchart LR
    subgraph Forward ["Problema directo (Forward Problem)"]
        direction TB
        A["Causa física f(x, y)<br/>(Densidad interna de tejidos)"] -->|Operador físico A| B["Datos observados g(s, θ)<br/>(Sombras de rayos X)"]
    end
    subgraph Inverse ["Problema inverso (Inverse Problem)"]
        direction TB
        C["Observación externa g(s, θ)<br/>(Mediciones con ruido)"] -->|Operador inverso A⁻¹ / Regularización| D["Estructura reconstruida f*(x, y)<br/>(Corte tomográfico preciso)"]
    end

1. ¿Qué es un problema inverso?：El buen planteamiento de Hadamard y la catástrofe del mal condicionamiento

¿Por qué resolver un problema inverso es incomparablemente más difícil que resolver un problema directo?

1.1 Formulación mediante ecuaciones de operadores

$$\mathcal{A} f = g$$

donde $f \in \mathcal{X}$ es el coeficiente de atenuación tisular desconocido, $g \in \mathcal{Y}$ representa las proyecciones radiográficas medidas, y $\mathcal{A}$ es un operador integral lineal.

1.2 Criterios de buen planteamiento de Hadamard (1902)

El matemático francés Jacques Hadamard postuló que un problema físico-matemático está bien planteado (well-posed) si cumple simultáneamente tres condiciones:

Existencia: Para cualquier dato $g \in \mathcal{Y}$, existe al menos una solución $f \in \mathcal{X}$.
Unicidad: La solución es única ($\ker(\mathcal{A}) = \{0\}$).
Estabilidad: La solución depende continuamente de los datos de entrada. El operador inverso $\mathcal{A}^{-1}$ es continuo, garantizando que un error minúsculo en las mediciones no provoque una distorsión incontrolada en la solución: $\|\delta f\| \le C \|\delta g\|$.

Si alguna de estas condiciones falla, el problema se considera mal planteado (ill-posed).

1.3 Operadores compactos y amplificación del ruido de alta frecuencia

$$g(s) = \int_a^b K(s, t) f(t) \, dt$$$$f = \sum_{n=1}^\infty \frac{1}{\sigma_n} \langle g, u_n \rangle v_n$$

Como $\sigma_n \to 0$ cuando $n \to \infty$, cualquier ruido térmico o cuántico de medición se divide por $\sigma_n$, haciendo que $\frac{1}{\sigma_n} \to \infty$ y destruyendo por completo la solución calculada ingenuamente.

2. Los fundamentos de la geometría integral: Johann Radon (1917)

En 1917, el matemático austríaco Johann Radon planteó una cuestión geométrica pura:

“¿Se puede reconstruir de manera única una función diferenciable en el plano si se conocen sus integrales a lo largo de todas las líneas rectas posibles?”

Radon demostró la unicidad y dedujo la fórmula analítica exacta de inversión.

Definición de la transformada de Radon

$$x \cos\theta + y \sin\theta = s$$$$(\mathcal{R}f)(s, \theta) = \iint_{\mathbb{R}^2} f(x, y) \, \delta(x \cos\theta + y \sin\theta - s) \, dx dy$$

En el campo del diagnóstico médico por imagen, la representación bidimensional de $(\mathcal{R}f)(s, \theta)$ se denomina sinograma.

3. Física de la tomografía computarizada: La ley de Beer-Lambert

$$\frac{dI}{dt} = - f(\mathbf{x}) I \implies I_{\text{det}} = I_0 \exp\left( - \int_L f(\mathbf{x}) \, dt \right)$$$$g(s, \theta) = \ln\left( \frac{I_0}{I_{\text{det}}} \right) = \int_L f(\mathbf{x}) \, dt = (\mathcal{R}f)(s, \theta)$$

Por lo tanto, la reconstrucción de imágenes en la tomografía computarizada es idéntica al problema matemático de invertir la transformada de Radon.

4. Teorema del corte de Fourier (Fourier Slice Theorem)

$$\left( \mathcal{F}_1 [\mathcal{R}f(\cdot, \theta)] \right)(\omega) = \left( \mathcal{F}_2 f \right)(\omega \cos\theta, \; \omega \sin\theta)$$

Establece que la transformada de Fourier unidimensional de una proyección en el ángulo $\theta$ es exactamente igual a una rebanada radial que pasa por el origen en la transformada de Fourier 2D de la imagen original.

5. Algoritmo de retroproyección filtrada (Filtered Backprojection, FBP)

$$f(x, y) = \int_0^\pi \left[ \int_{-\infty}^\infty G(\omega, \theta) \cdot |\omega| \cdot e^{i 2\pi \omega (x\cos\theta + y\sin\theta)} \, d\omega \right] d\theta$$

Filtro Ram-Lak (Rampa): Multiplica los datos en el dominio de la frecuencia por $|\omega|$ para eliminar el borrado intrínseco de la retroproyección simple ($1/r$).
Retroproyección: Asigna los valores filtrados de vuelta a lo largo de las trayectorias de los rayos en la cuadrícula de la imagen e integra en todos los ángulos.

6. Superar el mal condicionamiento: Regularización de Tikhonov

$$\min_{\mathbf{f}} \left\{ \|\mathbf{A}\mathbf{f} - \mathbf{g}\|_2^2 + \alpha \|\mathbf{L}\mathbf{f}\|_2^2 \right\}$$$$\mathbf{f}_\alpha = (\mathbf{A}^T \mathbf{A} + \alpha \mathbf{L}^T \mathbf{L})^{-1} \mathbf{A}^T \mathbf{g}$$

El factor de filtrado $\frac{\sigma_i^2}{\sigma_i^2 + \alpha}$ atenúa los valores singulares infinitesimales, impidiendo que el ruido blanco se amplifique descontroladamente.

7. Fronteras modernas: Variación Total y Sensado Comprimido

Variación Total (Regularización TV): Minimiza la norma $L_1$ del gradiente $\|\nabla \mathbf{f}\|_1$, preservando contornos anatómicos nítidos sin generar desenfoque artificial.
Sensado comprimido (Compressed Sensing): Desarrollado por Candès, Romberg y Tao, permite reconstruir imágenes exactas a partir de un número mínimo de proyecciones angulares, reduciendo la exposición del paciente a la radiación en más de un 80 %.
Deep Unfolding: Fusiona la física del operador de Radon con redes neuronales profundas para una reconstrucción ultrarrápida y clínicamente confiable.

Conclusión

Al igual que en el mito de la caverna de Platón, donde las sombras revelan la forma del mundo exterior, la matemática de los problemas inversos demuestra la extraordinaria capacidad del intelecto humano para reconstruir, a partir de sutiles sombras proyectadas, la estructura interna y la verdad oculta de la naturaleza.