[论文解读] Remarks on the general Funk-Radon transform and thermoacoustic tomography

Victor Palamodov|ArXiv.org|Jan 7, 2007

Photoacoustic and Ultrasonic Imaging参考文献 8被引用 16

一句话总结

本文在光声计算机断层扫描的背景下，为一般 Funk-Radon 变换建立了理论基础，提供了核的双侧估计、范围描述以及逼近定理。证明了正则化数据下变换算子的单射性，并将 Kaczmarz 方法改进用于稳定反演，提出了一种在一般入射流形几何条件下求解反问题的收敛性证明迭代算法。

ABSTRACT

We study properties of the general integral transform defined for a family of hypersurfaces in a smooth manifold. Estimates of Sobolev norms, range conditions and approximation theorem for the kernel of the integral transform are stated. Applications to the spherical mean transform that appears in thermo/opto/photoacoustic tomography are discussed.

研究动机与目标

• 建立流形上一般 Funk-Radon 变换的双侧估计，并描述其范围，该流形具有入射结构。
• 利用逼近定理表征双 Funk-Radon 算子的核。
• 证明当 $ \alpha > 1/2 $ 时，正则化变换算子 $ M^*\varepsilon M $ 的单射性，确保反问题中的唯一性。
• 将 Kaczmarz 方法适配于光声计算机断层扫描中一般 Funk-Radon 算子的稳定迭代反演。

提出的方法

• 本文采用双纤维丛框架，其中光滑的入射流形 $ F \subset X \times \Sigma $ 由非零微分 $ dI \neq 0 $ 定义，并满足秩条件与横截性条件。
• 定义 Funk 变换 $ Mf(\sigma) = \int_{F(\sigma)} \frac{f}{d_xI} $，其中 $ f $ 为紧支集密度，将结果解释为超曲面积分。
• 通过几何与分析条件分析对偶算子 $ M^\circ $，特别是通过非退化 Hessian 类行列式 $ \det \Phi \neq 0 $，确保局部微分同胚性质。
• 通过算子 $ Q = I - \omega M^* R^{-1} M $ 构造基于 Kaczmarz 的迭代方法，其中 $ R = -MM^* + \theta I $，在 $ 0 < \omega < 2 $ 时保证收敛。
• 该方法依赖于 $ R $ 的自伴性与可逆性，以及收缩性条件 $ \|Qg\| < \|g\| $（当 $ M g \neq 0 $ 时），从而保证收敛至解。
• 通过序列 $ \{f^k\} $ 的强收敛性，严格证明了理论收敛性，前提是满足单射性与范围条件。

实验结果

研究问题

• RQ1 在何种几何与分析条件下，一般 Funk-Radon 变换是单射的？
• RQ2 Funk-Radon 变换的精确范围是什么？其核如何通过逼近方法表征？
• RQ3 如何将 Kaczmarz 方法适配以确保在光声计算机断层扫描中，一般 Funk-Radon 算子的收敛性？
• RQ4 数据的何种正则性条件可确保反问题中的稳定性和唯一性？

主要发现

• 对于任意 $ \delta > 0 $ 及所有 $ \alpha > 1/2 $，算子 $ M^*\varepsilon M $ 是单射的，确保正则化反问题中的唯一性。
• 当 $ \alpha > 1/2 $ 时，不等式 $ \|Mf\| \geq c \|f\| $ 成立，为变换提供了双侧估计。
• Kaczmarz 类迭代 $ f^{k+1} = f^k + \omega M^* R^{-1}(\varphi - Mf^k) $ 在 $ 0 < \omega < 2 $ 时强收敛于解 $ f $。
• 算子 $ R = -MM^* + \theta I $ 是自伴的、正定的且可逆的，从而可通过该迭代方案实现稳定反演。
• 该方法确保 $ \|f^{k+1} - f\| < \|f^k - f\| $，且在 $ M $ 单射且 $ \varphi $ 属于值域时，收敛于真实解 $ f $。
• 该框架可推广至满足条件 (i) 与 (ii) 的任意紧致流形 $ K $ 与 $ \Lambda $，包括光声计算机断层扫描的应用场景。