Artigo Física Pura Da Radioterapia

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142
Pesquisa Operacional, v.26, n.1, p.1-24, Janeiro a Abril de 2006 1

PLANEJAMENTO DO TRATAMENTO POR RADIOTERAPIA ATRAVS DE
MTODOS DE PONTOS INTERIORES

Ceclia Bollini Barboza *
Instituto de Cincias Matemticas e de Computao
Universidade de So Paulo (USP)
So Carlos SP
cecilia_barboza@hotmail.com

Aurelio Ribeiro Leite de Oliveira
Inst. de Matemtica, Estatstica e Computao Cientfica
Universidade Estadual de Campinas (UNICAMP)
Campinas SP
aurelio@ime.unicamp.br

* Corresponding author / autor para quem as correspondncias devem ser encaminhadas

Recebido em 07/2003; aceito em 10/2005 aps 2 revises
Received July 2003; accepted October 2005 after 2 revisions

Resumo

Neste trabalho so desenvolvidos o estudo e implementao de mtodos de pontos interiores
especficos para o problema de planejamento do tratamento de cncer por radioterapia. Este um
problema de grande porte que contm uma estrutura matricial particular. Esta estrutura explorada de
forma eficiente obtendo um sistema linear de dimenso muito menor. Alm disso, o sistema obtido
esparso, simtrico e definido positivo. Resultados numricos em Matlab mostram que problemas de
grande porte podem ser resolvidos em poucas iteraes e baixo tempo computacional por esta
abordagem.

Palavras-chave: mtodos de pontos interiores; programao linear; radioterapia.

Abstract

In this work, a specialized interior point method is developed for planning cancer treatment by
radiotherapy. This is a large-scale problem with a specific matrix structure. That structure is explored in
an efficient way reducing the dimension of the linear system, which must be solved at each iteration.
Moreover, the system obtained is sparse, symmetric and positive definite. Matlab numerical results
show that large-scale problems can be solved in few iterations and short computational time by this
approach.

Keywords: interior point methods; linear programming; radiotherapy.
Barboza & Oliveira Planejamento do tratamento por radioterapia atravs de mtodos de pontos interiores
2 Pesquisa Operacional, v.26, n.1, p.1-24, Janeiro a Abril de 2006
1. Introduo
O tratamento por radioterapia vem sendo utilizado desde h muito tempo em pacientes que
sofrem diversas formas de cncer. O objetivo eliminar as clulas do tumor atravs de
radiao ao mesmo tempo em que procura evitar a destruio de clulas vizinhas saudveis.
Mais da metade de pacientes com cncer so submetidos radiao em algum ponto durante
o curso de tratamento da enfermidade. Existem atualmente mquinas sofisticadas inspiradas
na tomografia computadorizada que emitem radiao ao longo de todo o corpo do paciente
[15], ampliando as possibilidades de minimizao dos efeitos colaterais do tratamento uma
vez que as diferentes alternativas de atingir o tumor podem evitar a exposio de regies
crticas radiao e distribuir doses menores ao redor do corpo focadas na regio do tumor.
Do ponto de vista matemtico, o desafio consiste em emitir uma alta dosagem de radiao no
tumor, suficiente para sua eliminao, e simultaneamente, minimizar a radiao nas regies
vizinhas, compostas de tecido saudvel, reduzindo ao mximo as complicaes nestas
regies que so muitas vezes crticas.
Uma vantagem deste problema, do ponto de vista computacional, que ele pode ser
modelado como um problema de otimizao linear [1,4,5,13,14,15]. Nas solues bsicas
(vrtices), em que as variveis no-bsicas esto em seus limites, parte do tumor recebe a
dosagem mnima estabelecida para sua eliminao enquanto parte do tecido saudvel pode
receber a dosagem mxima permitida o que no corresponde ao tratamento mais adequado
do ponto de vista mdico. Na presena de mltiplas solues os mtodos de pontos interiores
convergem para aquelas em certa medida distanciadas de vrtices. Estas seriam as solues
mais adequadas na formulao de um tratamento, pois menos variveis tendem a atingir seus
limites na presena de mltiplas solues. Uma motivao para a abordagem por mtodos de
pontos interiores est na estrutura matricial bem definida deste problema. Experincias
anteriores com o desenvolvimento de mtodos de pontos interiores especficos para uma
classe de problemas e a explorao da estrutura matricial dos sistemas lineares resultantes
mostram que esta abordagem muito bem sucedida em termos da obteno de melhor
desempenho computacional [2,8,9,10,11,12].
Este artigo est organizado da seguinte forma. A Seo 2 descreve uma formulao do
tratamento por radioterapia. Na Seo 3 discutimos o problema de otimizao linear para
auxiliar no tratamento por radioterapia. Na Seo 4 apresentamos os mtodos de pontos
interiores aplicados ao modelo de tratamento por radioterapia, considerando a anlise mdia
e a anlise absoluta. Os resultados computacionais so apresentados na Seo 5 e as
concluses obtidas esto resumidas na Seo 6.

2. Formulao Matemtica
O primeiro passo no desenvolvimento de um plano de tratamento definir a localizao das
clulas cancerosas (tumor) e da regio de risco (estrutura crtica). Em seguida, a intensidade
(dose) da radiao calculada individualmente conforme cada paciente. Uma abordagem por
programao linear consiste em minimizar a dose total emitida sujeito a um limite inferior da
dose na regio do tumor [14]. Ainda em [14], so apresentadas pequenas variaes do
modelo de programao linear tendo em mente o aparelho mostrado na Figura 1.

Figura 1 Uma representao de aparelho de tratamento por radioterapia.

possvel formular um modelo com ponderaes em cada regio do paciente privilegiando
ou penalizando algumas reas quanto quantidade de dosagem a ser recebida.
Suponha para exemplificao uma matriz de imagem bidimensional m n onde cada
elemento da matriz denominado pixel representa uma (pequena) parte do corpo humano, e
que os ngulos avaliados so
1 2
, , ,
t
. Alm disso, considere que cada ngulo est
composto por sub-raios. Os sistemas de tratamento modernos so capazes de realizar
combinaes complexas entre estes sub-raios. A geometria de um modelo usando raios
elementares, com m=n=2 (4 pixels), 4 ngulos t=4 e cada ngulo composto por 4 sub-
raios, indicada na Figura 2. O intervalo entre os ngulos
4
, e o ngulo inicial
4
.

Figura 2 Geometria de uma imagem dividida em 2 2 pixels com ngulos
3 5
, ,
4 4 4

e
7
4
.

Seja x
j
a dose ao longo do i-simo sub-raio de ngulo a com j = (a-1) + i i = 1,...,;
a = 1,...,t e considere d
(p,j)
a distncia entre o sub-raio x
j
e pixel de imagem p. Definimos
A
(p,,j)
como o produto de
( , ) p j
d
e

e a rea geomtrica comum a ambos o sub-raio x
j
e o
pixel p. O fator
( , ) p j
d
e

mede atenuao da radiao sobre o tecido, e os valores deste
coeficiente de atenuao (

) dependem da energia do raio. O coeficiente de atenuao
define a caracterstica do tecido com relao a sua densidade. Podemos tomar como exemplo
de atenuao uma chapa Raio-X de um tecido humano. Quanto menor a densidade do tecido
menor o coeficiente de atenuao, portanto queimar mais o filme e conseqentemente este
ficar mais escuro; quanto maior a densidade do tecido maior o coeficiente de atenuao,
portanto queimar menos o filme ficando mais claro, em geral representando tecido sseo.
Os elementos A
(p,j)
formam a matriz de propagao, denotada por A, cujas linhas so
indexadas por p e colunas so indexadas por j (a,i). Assim, a dose de radiao no pixel p
dada pelo p-simo componente de Ax.
Por exemplo, na Figura 2 o raio pontilhado correspondente a x
2
atinge a metade do pixel 3 e
a distncia deste pixel a este sub-raio
3 2
2
(supondo que cada pixel tenha a mesma
largura). Conseqentemente,
3 2
2 1
(3,2) 2
A e

= . Considerando o coeficiente de atenuao
nulo (=0), quando no existe perda de energia na propagao do raio, a radiao total sobre
o pixel 3 da Figura 2 dada pela relao:
1 1 1 1 1 1 1 1
2 3 7 8 10 11 13 14 2 2 2 2 2 2 2 2
x x x x x x x x + + + + + + +

Logo, a matriz de propagao sem atenuao do exemplo dada por:
1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
(
(
(
(
(
(

.
Embora a matriz de propagao permita modelar facilmente os limites superiores e inferiores
da radiao para algum pixel de imagem, elaborar um plano de tratamento no uma tarefa
trivial. Por exemplo, um plano de tratamento pode prescrever que o tumor no receba menos
do que 80 Gy, onde Gy a dose absorvida, usualmente medida em Joules por quilograma
(J/kg), tambm denominada Gray (Gy): 1Gy = 1 J/kg. Por outro lado, o plano de tratamento
pode no permitir que alguma estrutura crtica receba mais do que 40 Gy.
A maioria das pesquisas tem utilizado modelos de otimizao com restries lineares, com
uma das duas funes objetivos mais evidente, maximizao da dose no tumor ou
minimizao da dose na estrutura crtica. Uma vez que esta maximizao leva geralmente a
altas doses, outros trabalhos buscam maximizar a dose mnima do tumor ou minimizar a dose
mxima da estrutura crtica [6].
As metas listadas abaixo indicam que este problema tem uma grande quantidade de
parmetros a considerar na deciso do que seria desejvel para um plano de tratamento:
Transmitir uma dose uniformemente letal na regio do tumor.
Transmitir uma radiao to pequena quanto possvel na estrutura crtica.
Obter uma dose total to pequena quanto possvel.
Reduzir a freqncia de doses altas fora da regio do tumor.
Controlar o nmero de raios utilizados no plano de tratamento.
O objetivo mais comum adotado na prtica consiste em transmitir a maior radiao possvel
no tumor [14]. Existem duas razes para evitar este objetivo: clulas doentes esto
geralmente distribudas entre tecidos saudveis e o corpo humano tem dificuldade na
eliminao de um volume grande de tecido morto como o produzido por altas doses de
radiao. Portanto, uma dose letal uniformemente distribuda na regio do tumor crucial
para o sucesso do plano de tratamento, pois, uma dose inferior permite que a clula
cancerosa sobreviva enquanto uma dose superior pode ter efeitos altamente indesejveis nos
tecidos vizinhos.
Vamos considerar, que uma regio do corpo humano seja representado por uma rede de
pixels, onde cada pixel representar parte do tecido saudvel ou do tumor em um rgo
doente. Seja, m
t
o nmero de pixels do tumor, m
c
o nmero de pixels da estrutura crtica e m
g

o nmero de pixels restantes (tecido saudvel), m = m
g
+ m
t
+ m
c
. Finalmente n, representa o
nmero de sub-raios que atinge o volume do alvo. A prescrio definida por quatro limites:
u
t
: representa o vetor de limite superior para radiao no tumor (
t
m
t
u );
l
t
: representa o vetor de limite inferior para radiao no tumor (
t
m
t
l );
u
c
: representa o vetor de limite superior para radiao na estrutura crtica (
c
m
c
u );
u
g
: representa o vetor de limite superior para radiao no restante de tecido saudvel
(
g
m
g
u ).
Fazemos as suposies bvias que 0 ,
t t
l u < 0
c
u e 0
g
u . Se uma dose letal uniforme
transmitida ao tumor, o limite superior e inferior para os pixels do tumor so obtidos atravs
das metas estabelecidas. Supondo que as metas estabelecidas para uma clula cancerosa
sejam t
g
. Os valores de
i
t
u e
i
t
l so geralmente (1 )
g
t + e (1 )
g
t , respectivamente, onde,
a porcentagem da variao para a dosagem do tumor e denominado nvel de
uniformidade do tumor. Valores tpicos de encontrados na literatura vo de 0.02 0.15 [4].
O vetor u
g
representa a maior quantidade de radiao permitida para algum pixel (saudvel).
Em geral tecidos saudveis no devem receber mais do que 10% da dose estabelecida para o
tumor. Ou seja, (1 0.10)
g g
u t = + .
As linhas da matriz de propagao podem ser reordenadas considerando as linhas que
correspondem ao tumor, as linhas que correspondem estrutura crtica, e as linhas que
correspondem ao tecido saudvel. Esta reordenao representada pelas sub-matrizes A
t
, A
c

e A
g
, como indicado abaixo:
t
c
g
A
A A
A
(
(
=
(
(

ou seja, A
t
: tumor, A
c
: estrutura crtica e A
g
: restante de tecido saudvel.
Sub-raios que no atingem o tumor so removidos pela eliminao das colunas de A que tem
o vetor zero na coluna A
t
correspondente. Assim, sem perda de generalidade, consideraremos
que a matriz A
t
no tem colunas nulas. Portanto, temos que , ,
t c
m n m n m n
t c
A A A

e
g
m n
g
A

.
3. Problema de Otimizao Linear
Nesta seo apresentamos o modelo de programao linear usado para auxiliar no plano de
radioterapia introduzido em [4]. Este modelo incorpora as denominadas restries elsticas
que satisfazem todas as restries impostas para o tratamento quando uma soluo existe ou
apresentam a melhor soluo fora das especificaes possvel de acordo com uma
ponderao da funo objetivo. O modelo proposto pode ser representado pela seguinte
formulao [4]:
Minimizar
t t t
c g
wl t u c u g + +
s.a
t t t
l Lt A x u (1)

0
0
0,
c c c
g g g
t
c c
g
A x u U c
A x u U g
Lt l
u U c
U g
x
+
+

onde
x: representa o vetor de dose dos sub-raios (
n
x );
t: , 0;
T
m
t t
c: ;
C
m
c
g: , 0.
g
m
g g
A funo objetivo representada pela soma ponderada de trs metas: l
t
t, que mede o quanto
falta para que o plano encontrado consiga aplicar a dose mnima na regio do tumor;
t
c
u c
que mede a quantidade de radiao acima da prescrita recebida pela regio crtica; e
t
g
u g que
mede a quantidade de radiao acima da prescrita nos demais tecidos saudveis.
As restries ,
t t
l Lt A x
c c c
A x u U c + e ,
g g g
A x u U g + so denominadas elsticas,
pois seus limites podem variar de acordo com os vetores t, c, e g, respectivamente.
As matrizes L, U
c
e U
g
definem como medir a elasticidade, e l, u
c
e u
g
controlam a
penalizao ou recompensa com relao elasticidade. Valores fixos de l, u
c
, u
g
, L, U
c
e U
g

definem um conjunto de funes elsticas. As restries elsticas garantem que para algum
conjunto de funes elsticas (1) sempre estritamente factvel. Desta forma as variveis t, c
e g se assemelham ao clssico conceito de variveis artificiais. Adicionalmente, a diferena
dos limites inferiores nas funes elsticas permite incorporar diferentes objetivos de
tratamento.
O escalar positivo w pondera a importncia da formulao de um plano que obtenha a dose
mnima na regio do tumor, isto , valores grandes de w foram l
t
t a ser to pequeno quanto
possvel priorizando a aplicao da dose mnima no tumor em relao violao da dosagem
mxima permitida nos tecidos saudveis quando no possvel satisfazer todas as
especificaes. Seria desejvel que existisse um valor finito para w>0 tal que o valor timo
da componente l
t
t fosse zero o que garantiria ao tumor receber o nvel mnimo de radiao
necessrio para sua eliminao.
Considerando que conjuntos diferentes de funes elsticas determinam diferentes filosofias
de tratamento a interpretao do modelo (1) depende da escolha deste conjunto. Em [4]
foram propostas as seguintes escolhas, anlise mdia e anlise absoluta.
Na anlise mdia,
1
, ;
t
m
t
l e l
m
=
1
, ;
c
m
c c
c
u e u
m
=
1
, ;
g
m
g g
g
u e u
m
=
(2)
,
t t
m m
L I L

= ; ,
c c
m m
c c
U I U

= ; ,
g g
m m
g g
U I U

= .
sendo I a matriz identidade. Esta escolha tem os seguintes objetivos:
minimizar a dosagem mdia recebida pelo tumor dentro do limite prescrito;
minimizar a dosagem mdia da radiao que a estrutura crtica recebe;
minimizar a dosagem mdia que o tecido saudvel recebe.
Na anlise absoluta,
, ;
t
t
m
m
l e l = , ;
c
c
m
c m c
u e u = , ;
g
g
m
g m g
u e u =
(3)
,
t
t
m
m
L e L = ; ,
c
c
m
c m c
U e U = ; ,
g
g
m
g m g
U e U = .
Esta escolha tem os seguintes objetivos:
minimizar a dosagem mxima recebida pelo tumor dentro do limite prescrito;
minimizar a dosagem mxima da radiao que a estrutura crtica recebe;
minimizar a dosagem mxima recebida pelo tecido saudvel.

3.1 Propriedades das Restries Elsticas
Considere a seguinte definio:
Definio A prescrio (u
t
, l
t
, u
c
, u
g
) admite a uniformidade do tratamento do tumor se
existe um plano, x 0, tal que l
t
A
t
x u
t
.
O Teorema abaixo foi demonstrado em [4].
Teorema 3.1 Seja (x
(w), t
(w), c
(w), g
(w)) uma soluo tima de (1). Para qualquer

conjunto de funes elsticas temos que
1
( ) ( )
t
w
l t w O
= , desde que a prescrio admita a

uniformidade do tratamento do tumor.
Este Teorema mostra que se a prescrio do tratamento vivel, o dficit de radiao no
tumor uniformemente limitada pela inversa de w. Utilizando este resultado possvel,
resolvendo apenas um problema de programao linear, interpretar o resultado e concluir se
existe um tratamento que atende prescrio violando ou no os limites u
g
e u
c
[4].
3.1.1 Interpretao das Solues
Em [4] Holder mostra que quando
k
w
= e o valor timo de l
t
t menor do que , ento a
uniformidade na regio do tumor garantida, onde k uma constante que depende dos dados do
problema. Portanto, dados w como definido acima e soluo do problema linear correspondente,
podemos interpretar a soluo para as anlises mdia e absoluta da seguinte forma:
Anlise Mdia (l = u
c
= u
g
= e) e Anlise Absoluta (l = u
c
= u
g
= 1)
Caso 1: l
t
t
(w) > , conclumos que a prescrio no permite a uniformidade do tumor.

Caso 2: l
t
t
(w) , conclumos que a prescrio permite a uniformidade do tumor. Esta

situao contm dois importantes subcasos:
Caso 2a: ( ) ( ) 0
t t
c g
u c w u g w

+ > , a concluso que a uniformidade do tumor acessvel,
mas cara, pois tecidos saudveis esto recebendo mais radiao do que desejado.
Caso 2b: ( ) ( ) 0
t t
c g
u c w u g w

+ , a concluso que a uniformidade do tumor permitida, a
soma de radiao sobre o tecido saudvel no mnimo to boa quanto desejada.

4. Mtodos de Pontos Interiores aplicados ao Modelo de Tratamento por Radioterapia
4.1 Anlise Mdia
Adotamos inicialmente a anlise mdia, descrita na Seo 3. Com esta escolha o problema
(1) se reduz a:
Minimizar
1 1 1
t c g t c g
t t t
m m m m m m
w e t e c e g + +
s.a
t t t
l t A x u
0
( , ) 0.
c c
g g
t
c
A x u c
A x u g
t l
u c
g x
+
+

Introduzimos as variveis de folga e desconsideramos a constante e
t
u
c
, obtendo o problema
primal na forma padro:
Minimizar
1 1 1
t c g t c g
t t t
m m m m m m
w e t e c e g + +
s.a
u t
a s u + = (4)

0
0
( , , , , , , , ) 0.
l t
t
c c
g g g
t t
u l g t
a t s l
A x a
A x s c
A x g s u
t s l
t c g x s s s s
+ =
=
+ =
+ =
+ =

Encontramos agora o problema dual no formato desejado:
Maximizar
t t t t
t u t l g g t t
u y l y u y l y +
s.a 0
u l a
y y y + = (5)

1
1
1
0
( , , , , , , , , ) 0.
t T
c C
g g
t t t
t a c c g g x
l t t m m
c c m m
g g m m
u l c g t x t c g
A y A y A y z
y y z w e
y w e
y w e
y y y y y z z w w
+ =
+ =
+ =
+ =

As condies de complementaridade [16] para os problemas (4) e (5) so dadas por:

0; 0;
0; 0; 0;
0; 0;
0; 0.
t t
c g t
t
c g
u u m l l m
c c m g g m t t m
x t m
c m g m
Y S e Y S e
Y S e Y S e Y S e
XZ e TZ e
CW e GW e
= =
= = =
= =
= =
(6)
As condies de otimalidade para os problemas (4) e (5) so dadas pela factibilidade primal,
factibilidade dual e as condies de complementaridade (6).

4.2 O Mtodo Primal-Dual para Anlise Mdia
Aplicando o mtodo de Newton s condies de otimalidade, e modificando o tamanho do
passo para manter os pontos interiores, determinamos as direes do mtodo primal-dual,
para os problemas (4) e (5). Escrevendo primeiro o Jacobiano:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
=
t
c
g
t t t
t c g
I I
I I I
I A
A I I
A I I
I I
I I I
A A A I
I I I
J
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0
u u
l l
c c
g g
t t
x
t
c
I I
I I
Y S
Y S
Y S
Y S
Y S
Z X
Z T
W
.
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
\ . g
C
W G

Obtemos agora os resduos resultantes da aplicao do mtodo de Newton s condies de
otimalidade:
1
3
5
7
1
9
1
11
13
15
17
19
;
;
;
;
;
;
;
;
;
;
t
c
t
c
g
c
t u
t
g g g
u l a
l t t m
g g m
l l m
g g m
g g m
c m
r u a s
r a A x
r u A x g s
r y y y
r w e y y z
r e y w
r e Y S e
r e Y S e
r e Y S e
r e CW e
= +
= +
= +

2
4
6
8
1
10
12
14
16
18
20
;
;
;
;
;
;
;
;
;
.
C
t
c
t
Tt
g
t l
c c
t t
t t t
t a c c g g x
c c m
u u m
c c m
t t m
t m
g m
r l a t s
r A x s c
r l t s
r A y A y A y z
r e y w
r e Y S e
r e Y S e
r e Y S e
r e TZ e
r e GW e
= +
= +
=
= + +
=
=
=
=
=
=

Multiplicando a matriz do Jacobiano pelas seguintes direes:
( , , , , , , , , , , , , , , , , , , )
u l c g t u a l a g t x c g
t
a x t c g s s s s s y y y y y y z w w
d d d d d d d d d d d d d d d d d d d d = ,
e igualando aos resduos r = (r
1
, r
2
, r
3
, ..., r
20
), temos Jd = r onde:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
u
t
c
g
t
u l a
y c g x
l t t
c c
g g
u u
l l
c c
g
a s
a t s
a t x
c x c s
g x g s
t s
y y y
t t t
t y c y g y z
y y z
y w
y w
u s u y
l s l y
c s c y
g s g
d d r
d d d r
d Ad r
A d d d r
A d d d r
d d r
d d d r
A d A d A d d r
d d d r
d d r
d d r
Y d S d r
Y d S d r
Y d S d r
Y d S
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+
15
16
17
18
19
20
.
g
t t
x
t
w
g
y
t s t y
x x z
t t z
c c w
g g w
d r
Y d S d r
Z d Xd r
Z d Td r
W d Cd r
W d Gd r
+ =
+ =
+ =
+ =
+ =
(7)
4.3 Eliminao de Variveis
As equaes (7) definem o sistema linear que determina as direes dos mtodos de pontos
interiores. Este sistema pode ser resolvido diretamente, mas esta opo muito cara compu-
tacionalmente devido sua grande dimenso. No entanto, este sistema pode ser reduzido
atravs da substituio de variveis de forma similar reduo realizado para problema na
forma padro. Admitindo-se que a matriz A tem mais linhas (que esto representadas pelo
nmero de pixels) do que colunas (que so representadas pelo nmero de raios). Logo,
1 1 1 1 1 1
7 8 14 15 17 10 14 19
1 1 1 1 1 1 1
11 15 20 7 12 13 1 2 4 8 9
1 1 1 1 1
13 16 18 2 6
( ) (( ) ( )
( ) (( ) ) ((
) )
t t t t
x c c g g c c
t t t
g g t u l u u l l t
l l l l t t
A DD A D d r A S r A S r X r A r S r C r
A r S r G r A r S r S r S Y r S Y r A D D r
S r S r T r S Y r S Y r

+ = + + + +
+ +
+
1
) .
t
p
A DD r
+

Este sistema simtrico e definido positivo podendo ser resolvido pela decomposio de
Cholesky. Sua dimenso muito menor que o sistema original representado pelas equaes
(7). As direes so:
1
1 1 1 1 1 1
8 9 13 16 18 2 6 4
1 1 1 1
3 4 7 12 13 1 2
( )
((( ) ) )
(( ) )
a
x p
t l t l l t t a
y a t u l u u l l
d D Ad r
d D r S r S r T r S Y r S Y r D d
d D d D d r S r S r S Y r S Y r

=
= + +
= +

1
u
s a
d r d =
2
l
s a t
d r d d = + +
1 1 1 1
10 14 19
1 1 1 1
11 15 20
( ( ))
( ( ))
c
g
s c c c c c
s g g g g g
d Y S C W d r S r C r
d Y S G W d r S r G r

=
=

6
t
s t
d r d =
1
12
( )
u u
y u u s
d S r Y d
=
1
13
( )
l l
y l l s
d S r Y d
=
1
14
( )
c c
y c c s
d S r Y d
=
1
15
( )
g g
y g g s
d S r Y d
=
1
16
( )
t t
y t t s
d S r Y d
=
1
17
( )
x
z x x
d X r Z d
=
1
18
( )
t
z t t
d T r Z d
=
1
19
( )
c
W c c
d C r W d
=
1
20
( )
g
W g g
d G r W d
=
onde
1 1
1 c c c
D I Y S C W

= + ;
1 1
2 g g g
D I Y S G W

= + ;
1 1
3
;
u u l l
D S Y S Y

= +

1
4 l l
D S Y
= ;

1
5
;
c
D C W
=

1
6 g
D G W
=
;

1
7
;
x
D X Z
=

1 1 1
8 l l t t t
D S Y S Y T Z

= + + ;

1
9 3 4 8 4
( ); D D D D D
=

,
a
c
g
d
d d
d
| |
|
=
|
|
\ .

1
2
0 0
0 0 ,
0 0
I
D D
D
| |
|
=
|
|
\ .

3
p a
b
r
r r
r
| |
|
=
|
|
\ .
e
9
5
6
0 0
0 0
0 0
D
D D
D
| |
|
=
|
|
\ .

com,
1 1 1
4 10 14 19
( )
a c c c
r r Y S r S r C r

= + e
1 1 1
5 11 15 20
( ).
b g g g
r r Y S r S r G r

= +
O mtodo de pontos interiores desenvolvido nesta seo pode ser resumido da seguinte
forma:
Seja, h = ( , , , , , , , , )
u l c g t
t c g x s s s s s e j = ( , , , , , , , , ).
u l c g t x t c g
y y y y y z z w w
Dado um ponto interior (h
0
, j
0
).
Para k = 1, 2, ...
Calcule as matrizes diagonais de D
1
a D
9

Calcule os resduos: r
1
a r
20
, r
a
, r
b
e r
p

Calcule as direes: , , , , , , , , , , , ,
a u l c g t u c t x t c
y t s s s s s y y y z z w
d d d d d d d d d d d d d e
g
w
d
Calcule
p
e
d

1
1
1
1
a
k k k
p a
k k k
a a d y
k k k k
p p h
k k k k
d d j
a d
y y d
h h d
j j d

+
+
+
+
= +
= +
= +
= +

at convergir.
Para calcular o tamanho do passo ,
k k
p d
obtemos min
k
i
k
k i
p
k
dh
hi
h
d
= e min
k
i
k
k i
d
k
dj
ji
j
d
= .
Os valores
k
p
e
k
d
representam o tamanho de passo mximo tal que a primeira componente
de h e j se anulam respectivamente. Portanto, o tamanho do passo ser obtido multiplicando
por um parmetro (0,1) assim min(1, )
k k
p p
= e min(1, )
k k
d d
= o que garante que
nenhuma componente de h ou j se anule. Adicionalmente, o passo limitado ao tamanho
mximo 1, que corresponde a um passo de Newton.

4.4 Mtodo Preditor-Corretor para Anlise Mdia
No mtodo preditor-corretor dois sistemas lineares determinam as direes. Primeiramente
calculada a direo afim resolvendo o sistema linear (7) com = 0. Em seguida, os novos
resduos so calculados:
12
14
16
18
20
;
;
;
;
.
t t t
c c c
t t t
t t t
g g g
m u u m u u m
m c c m c c m
m t t m t t m
m t m t m
m g m g m
r e Y S e Dy Ds e
r e Y S e Dy Ds e
r e Y S e Dy Ds e
r e Z Te Dz Dte
r e W Ge Dw Dge

13
15
17
19
;
;
;
;
t t t
g g g
c c c
m l l m l l m
m g g m g g m
x x
m c m c m
r e Y S e Dy Ds e
r e Y S e Dy Ds e
r e Z Xe Dz Dxe
r e W Ce Dw Dce
=
=
=
=

e a direo desejada obtida resolvendo o seguinte sistema linear [7]:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
u
t
c
g
t
u l a
y c g x
l t t
c c
g g
u u
l l
c c
g
a s
a t s
a t x
c x c s
g x g s
t s
y y y
t t t
t y c y g y z
y y z
y w
y w
u s u y
l s l y
c s c y
g s
d d r
d d d r
d A d r
A d d d r
A d d d r
d d r
d d d r
A d A d A d d r
d d d r
d d r
d d r
Y d S d r
Y d S d r
Y d S d r
Y d
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
+ =
15
16
17
18
19
20
.
g
t t
x
t
w
g
g y
t s t y
x x z
t t z
c c w
g g w
S d r
Y d S d r
Z d Xd r
Z d Td r
W d Cd r
W d Gd r
+ =
+ =
+ =
+ =
+ =
+ =

O clculo da perturbao
k
funo da direo afim [7]. Quanto melhor a direo menor
ser a perturbao e vice-versa:
k
k k
n
= e ( ) ( )
k k k k t k k k
p d j h
h d j d = + +

onde,
k
p
e
k
d

so o tamanho do passo em relao direo afim. A idia desse mtodo calcular a direo
afim-escala e estudar o progresso do mtodo ao longo dessa direo, calculando a perturbao
k
de acordo com este progresso. Uma vez que uma segunda direo calculada, tambm
calcula-se a correo no linear utilizando o mesmo Jacobiano da direo anterior [7].

4.5 Anlise Absoluta
Trabalhamos agora com a anlise absoluta (3). Com esta escolha o problema (1) se reduz a:
Minimizar
t c g
t t t
m m m
we t e c e g + +
s.a
t t
t
t m m t t
l e e t A x u

0
0
0.
c c c
g g g
t t
c c c
g g
t
c m m m
t
g m m m
t
m m t
t
m m m
t
m m
A x e e e c
A x e e e g
e e t l
e e e c
e e g
x
+
+

Os vetores t, c e g no tem significado fsico e neste modelo s nos interessa a soma dos seus
elementos. Assim, criamos uma varivel para caracterizar a soma dos elementos de cada um
deles: , ,
t c g
t t t
m m m
e t e c e g = = = , obtendo o seguinte problema:
Minimizar w + +
s.a
t
t m t
l e a u
0
1
0
0.
c c
g g
t
c m m
g m m
A x a
A x e e
A x e e
x
=
+
+

Nosso prximo objetivo consiste em obter um problema linear na forma padro contendo
apenas restries de igualdade.
Minimizar w + +
s.a
u t
a s u + = (8)

0
0
( , , , , , , , , ) 0,
: .
t
c
g g
m t t
t
c m c
g m g m
t
u l c g t
a e s l
A x a
A x e s
A x e s e
x s s s s
a livre

+ =
=
+ =
+ =
+ =

Encontramos o problema dual no formato desejado:
Maximizar
g
t t t
t u t l m g t
u y l y e y +
s.a 0
u l a
y y y + = (9)

1
1
0
( , , , , , , , , ) 0,
: .
t
c
g
t
m l t t
t
m c c
t
m g g
t t t
t a c c g g x
u l c g t t c g x
a
e y w
e y
e y
A y A y A y z
y y y y z
y livre

+ =
+ =
+ =
+ =

As condies de complementaridade para os problemas (8) e (9) so dadas por:

0; 0; 0
0; 0; 0
0; 0; 0.
t t c
g
u u m l l m c c m
g g m t t t
c g x
Y S e Y S e Y S e
Y S e
XZ e

= = =
= = =
= = =
(10)
As condies de otimalidade para os problemas (8) e (9) so dadas pela factibilidade primal,
factibilidade dual e as condies de complementaridade (10).

4.6 O Mtodo Primal-Dual para Anlise Absoluta
Aplicando o mtodo de Newton s condies de otimalidade, e modificando o tamanho do
passo para manter os pontos interiores, determinamos as direes do mtodo primal-dual,
para os problemas (8) e (9). Escrevendo primeiro o Jacobiano:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
=
t
c
g
t
c
m
t
c m
g m
t
m
t
m
I I
I e I
I A
A e I
A e I
I I I
e
e
J
0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0

g
t
m
t t t
t c g
u u
l l
c c
g g
t t
t
c
e
A A A I
Y S
Y S
Y S
Y S
0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
\ .
g
x
Z X

Obtemos agora os resduos resultantes da aplicao do mtodo de Newton s condies de
otimalidade:
1
3
5
7
9
11
13
15
17
19
;
;
;
;
1 ;
;
;
;
;
;
g g
c
t t
g g
t u
t
m g m g
u l a
t
m c c
t t t
t a c c g g x
l l m m
g g m m
t
g
r u a s
r a A x
r e A x e s
r y y y
r e y
r A y A y A y z
r Y S e e
r Y S e e
r
r
= +
= +
= + +
= +
= +
= +
= +

2
4
6
8
10
12
14
16
18
20
;
;
;
;
1 ;
;
;
;
;
.
t
g
t
g
t t
c c
t m l
c m c
t
t
m l t t
t
m g g
u u m m
c c m m
t t
c
x
r l a e s
r A x e s
r
r w e y
r e y
r Y S e e
r Y S e e
r
r
r XZ e e
= +
= +
=
= +
=
= +
= +
= +
= +
= +

Multiplicamos a matriz do Jacobiano pelas seguintes direes:
( , , , , , , , , , , , , , , , , , , , ),
u l c g t a u l c g t t c g x
t
a x s s s s y y y y y z
d d d d d d d d d d d d d d d d d d d d d

=
e as igualamos aos resduos
1 2 20
( , , , ), r r r r = temos, Jd=r:

1
2
3
4
5
6
7
8
9
10
11
12
13
u
t l
c c
g g
t
u u l
t l t t
c c c
c g g
a c g x
u u
l l
a s
a m s
a t x
c x m s
g x m s
y y y
t
m y
t
m y
t
m y
t t t
t y c y g y z
u s u y
l s l y
c
d d r
d e d d r
d A d r
A d e d d r
A d e d d r
d d r
d d d r
e d d d r
e d d r
e d d r
A d A d A d d r
Y d S d r
Y d S d r
Y
+ =
+ =
+ =
+ =
+ =
+ =
+ + =
+ =
+ =
+ =
+ =
+ =
+ =
14
15
16
17
18
19
20
.
c c
g g
t t
t
c
g
x
s c y
g s g y
t t
t
c
g
x x z
d S d r
Y d S d r
d d r
d d r
d d r
d d r
Z d Xd r

+ =
+ =
+ =
+ =
+ =
+ =
+ =
(11)

4.7 Eliminao de Variveis
As equaes de (11) definem o sistema linear que determina as direes dos mtodos de
pontos interiores Para a anlise mdia este sistema pode ser resolvido diretamente, mas esta
opo muito cara computacionalmente devido sua grande dimenso. No entanto, este
problema pode ser reduzido atravs da substituio de variveis. Logo restou a seguinte
equao:
1 1 1 1 1
9 11 14 15 20
1 1 1
( ( ) ) ( )

( ) ( ).
t t t
x c c g g
t
p p
A D ED E D A D d r A S r A S r X r
A D ED E D r ED r

+ = + + +

Este sistema simtrico e definido positivo podendo ser resolvido pela decomposio de
Cholesky. Sua dimenso muito menor que o sistema original representado pelas
equaes (11).
A primeira vista, a inverso da matriz
1 1
( ) D ED E

parece ser computacionalmente cara.
Mas se utilizarmos a frmula de Sherman-Morrison-Woodbury [3] obtemos a seguinte
relao:
1 1 1 1 1 1 1 1 1
3

( ) ( ) , D ED E D D ED I ED ED ED

= +

que envolve a inverso de uma matriz diagonal
1 1
3
I ED ED

de dimenso 3. Portanto esta
inversa pode ser facilmente calculada no representando grande esforo computacional.
As direes so:
1 1 1
2

( ) ( ( ))
x p p
d ED E D Ad r ED r

=
,
1
1 2
( )
p
d D r Ed
=

,
1 1 1 1 1
10 2 2 7 12 13 1 2
(( (( ) )) )
a
a u l u u m
y
d D r D r S r S r S Y r e d D d

= + ,
1 1 1 1
2 7 12 13 1 1
((( ) ) )
l a
s u l u u a y
d D r S r S r S Y r D d d

= + + + ,
1
u
s a
d r d = ,
6
t
d r d

= ,
1
12
( )
u u
y u u s
d S r Y d
= ,
1
13
( )
l l
y l l s
d S r Y d
= ,
1
14
( )
c c
y c c s
d S r Y d
= ,
1
15
( )
g g
y g g s
d S r Y d
= ,
1
16
( )
t t
t t
d r d

= ,
1
17
( )
t
t
d r d

= ,
1
18
( )
c
c
d r d

= ,
1
18
( )
g
g
d r d

= ,
1
20
( )
x
z x x
d X r Z d
= .
onde,
1
1
1
3
1
5
1
7
1
9
;
;
;
;
;
u u
t t
c c
g g
x
D S Y
D
D S Y
D S Y
D X Z

=
=
=
=
=

1
2
1
4
1
6
1
8
1 1
10 2 1
;
;
;
;
( ) .
l l
t
c
g
D S Y
D
D
D
D I D D

=
=
=
=
= +

Tambm temos que,
1
,
d
d d
d
| |
|
=
|
|
\ .

2
,
a
c
g
y
s
s
d
d d
d
| |
|
= |
|
|
\ .

1
10 2
0 0
0 0 ,
0 0
D D
D I
I
| |
|
=
|
|
\ .

5
7
0 0
0 0 ,
0 0
I
D D
D
| |
|
=
|
|
\ .

10
0 0
0 0 ,
0 0
t
c
g
m
m
m
D e
E e
e
| |
|
= |
|
|
\ .

1
1 10 2
5
7
( ) 0 0
0 0 ,
0 0
t
c
g
t
m
t
m
t
m
e D D D I
E e D
e D
| |

|
|
=
|
|
\ .

1 10 3 4
6
8
( ( )) 0 0
0 0 ,
0 0
t t
t
m m
e D D e D D
D D
D
| | + +
|
= |
|
|
\ .

4
5
,
c
p
r
r r
r
| |
|
=
|
|
\ .
,
d
p a
b
r
r r
r
| |
|
=
|
|
\ .

com,
1 1
9 14 18
,
c
t
a m c
r r e S r r

=
1 1
10 15 19
,
g
t
b m g
r r e S r r

=
1 1 1 1
3 10 2 2 7 12 13 1
( (( ) )),
c u l u u
r r D r D r S r S r S Y r

= + +

1 1 1 1 1 1 1
8 16 17 13 16 7 12 13 1
1 1 1 1
1 10 2 2 7 12 13 1
( ) (( ) )
( (( ) )).
t t
t
t t
d t m l t t m u l u u
t
m u l u u
r r r r e S r r e r S r S r S Y r
e D D r D r S r S r S Y r

= + +
+

O mtodo de pontos interiores desenvolvido nesta seo pode ser resumido da seguinte
forma:
Seja, ( , , , , , , , , )
u l c g t
f x s s s s = e ( , , , , , , , , )
u l c g t t c g x
g y y y y z = .
Dado um ponto interior
0 0
( , ). f g
Para k=1,2,...
Calcule as matrizes diagonais de D
1
a D
9

Calcule os resduos: r
1
a
20
, , , , ,
p p a b c
r r r r r r e r
d

Calcule d
1
e d
2

Calcule as direes: , , , , , , , , , , ,
l u t u l c g t t c g
a s s y y y y
d d d d d d d d d d d d

e
x
z
d
Calcule
p
e
d

1
1
1
1
a
k k k
p a
k k k
a a d y
k k k k
p f
k k k k
d g
a d
y y d
f f d
g g d

+
+
+
+
= +
= +
= +
= +

at convergir.

4.8 Mtodo Preditor-Corretor para Anlise Absoluta
No mtodo preditor-corretor dois sistemas lineares determinam as direes. Primeiramente
calculada a direo afim ( , , ,
a
f g a y
d d d d ) resolvendo o sistema linear (11) com = 0. Em
seguida, a direo desejada obtida resolvendo o seguinte sistema linear [7]:
1
2
3
4
5
6
7
8
9
10
11
12
13
u
t l
c c
g g
t
u u l
t l t t
c c c
c g g
a c g x
u u
l l
a s
a m s
a t x
c x m s
g x m s
y y y
t
m y
t
m y
t
m y
t t t
t y c y g y z
u s u y
l s l y
d d r
d e d d r
d A d r
A d e d d r
A d e d d r
d d r
d d d r
e d d d r
e d d r
e d d r
A d A d A d d r
Y d S d r
Y d S d r
+ =
+ =
+ =
+ =
+ =
+ =
+ + =
+ =
+ =
+ =
+ =
+ =
+ =

14
15
16
17
18
19
20
,
c c
g g
t t
t
c
g
x
c s c y
g s g y
t t
t
c
g
x x z
Y d S d r
Y d S d r
d d r
d d r
d d r
d d r
Z d Xd r

+ =
+ =
+ =
+ =
+ =
+ =
+ =

onde os novos resduos so dados por
12
14
16
18
20
;
;
;
;
.
t t t
c c c
m u u m u u m
m c c m c c m
t t t t
c c
x x
r e Y S e Dy Ds e
r e Y S e Dy Ds e
r d d
r d d
r e Z Xe Dz Dxe

13
15
17
19
;
;
;
;
t t t
g g g
m l l m l l m
m g g m g g m
t t
g g
r e Y S e Dy Ds e
r e Y S e Dy Ds e
r d d
r d d

=
=
=
=

5. Resultados Computacionais
Neste captulo as verses de mtodos de pontos interiores prima-dual e preditor-corretor para
as anlises mdia e absoluta so comparadas. Os mtodos foram implementados em Matlab
5.3 e os testes realizados em um microcomputador PC compatvel 900MHz usando o sistema
operacional Linux.
Nos experimentos foram utilizados dois problemas. O primeiro um exemplo teste pequeno
de apenas 16 pixels e o segundo com 4096 pixels baseados em um problema real obtido na
pgina www.trinity.edu/aholder/research/oncology/.
As Tabelas 5.1 a 5.4 resumem os resultados obtidos quanto ao nmero de iteraes,
contagem de operaes de ponto flutuante (flops ou megaflops) e tempo de execuo em
segundos respectivamente, para os mtodos primal-dual e preditor-corretor utilizando tanto o
comando interno do Matlab quanto a decomposio de Cholesky. A tolerncia utilizada para
convergncia a raiz quadrada do da mquina e o parmetro tem o valor fixo 0,99995.
Na anlise absoluta foram implementadas duas verses. A primeira delas utiliza a matriz do
lado esquerdo da equao (4.7), a segunda verso (rpida) utiliza o lado direito da mesma
equao. Somente a verso rpida foi utilizada nos experimentos para o problema de 4096
pixels. Obtivemos tambm os seguintes resultados para as variveis w, l
t
t, u
t
c, u
t
g, , c e g
para a anlise mdia e w, , e para anlise absoluta.
Para Anlise Mdia:
w = 0.1;
l
t
t = 7.2267;
u
t
c = 1.805510
-7
;
u
t
g = 4.422510
-7
.

- Primal-dual com Cholesky:
= 1.510
-7
;
c =
6
10
0.125
0.0556
(
(
(
(

; g =
7
10
0.1005
0.1005
0.1005
0.1005
(
(
(
(
(
(
(

.

- Primal-dual sem Cholesky:
= 2.3410
-7
;
c =
6
10
0.1211
0.1679
(
(
(
(

; g =
7
10
0.1564
0.1564
0.1564
0.1564
(
(
(
(
(
(
(

.

- Preditor-corretor com Cholesky:
= 6.2110
-7
;
c =
6
10
0.3873
0.3118
(
(
(
(

; g =
7
10
0.4145
0.4145
0.4145
0.4145
(
(
(
(
(
(
(

.
- Preditor-corretor sem Cholesky:
= 5.7410
-7
;
c =
6
10
0.4584
0.2939
(
(
(
(

; g =
7
10
0.3829
0.3829
0.3829
0.3829
(
(
(
(
(
(
(

.

Para Anlise Absoluta:
w = 0.1;
= 0.8501;

- Primal-dual com Cholesky:
= 6.20510
-8
;
= 510
-11
.

- Primal-dual sem Cholesky:
= 4.52810
-9
;
=2.35210
-12
.

- Preditor-corretor com Cholesky:
= 1.12510
-7
;
= 3.8110
-9
.

- Preditor-corretor sem Cholesky:
= 4.73710
-10
;
= 2.216710
-11
.

Na Tabela 5.1 podemos ver que ambos os mtodos se comportam bem para um problema
pequeno e como seria de se esperar o mtodo primal dual converge mais rpido, pois o
preditor corretor foi desenvolvido para problemas de grande porte. Da mesma forma, a
utilizao da decomposio de Cholesky no Matlab para este problema no proporciona
ganhos significativos.

Tabela 5.1 Exemplo com 16 pixels Anlise Mdia.
Mtodo Iteraes Flops Tempo
Primal-Dual com Cholesky 12 81099 0,05
Primal-Dual sem Cholesky 12 84075 0,05
Preditor-Corretor com Cholesky 10 91568 0,07
Preditor-Corretor sem Cholesky 10 98548 0,06
Na Tabela 5.2 os resultados para a anlise absoluta so similares ao da anlise mdia, sendo
que a utilizao da decomposio de Cholesky obteve convergncia ligeiramente mais
rpida. A verso rpida que inverte a matriz de forma eficiente reduziu quase metade o
nmero de flops necessrio convergncia e tambm reduz o nmero de iteraes.

Tabela 5.2 Exemplo com 16 pixels Anlise Absoluta.
Mtodo Iteraes Flops Tempo
Primal-Dual com Cholesky 9 123034 0,06
Primal-Dual sem Cholesky 9 125266 0,06
Preditor-Corretor com Cholesky 6 109103 0,05
Preditor-Corretor sem Cholesky 7 131980 0,06
Primal-Dual rpido com Cholesky 8 65713 0,05
Primal-Dual rpido sem Cholesky 8 67697 0,05
Preditor-Corretor rpido com Cholesky 6 61445 0,05
Preditor-Corretor rpido sem Cholesky 6 65645 0,05

Para o problema de grande porte (Tabela 5.3) na anlise mdia, podemos ver que o mtodo
preditor-corretor e o uso da decomposio de Cholesky j apresentam resultados
significativamente melhores. O Matlab mascara um pouco este resultado no tempo
computacional mas no nmero de flops podemos observar melhor este desempenho superior.

Tabela 5.3 Exemplo com 4096 pixels Anlise Mdia.
Mtodo Iteraes MFlops Tempo
Primal-Dual com Cholesky 14 69,0 75,3
Primal-Dual sem Cholesky 14 93,3 76,8
Preditor-Corretor com Cholesky 13 73,1 71,7
Preditor-Corretor sem Cholesky 13 141,1 75,6

O mtodo primal dual no converge para este problema na anlise absoluta (Tabela 5.4). O
preditor corretor, no entanto converge em um nmero muito pequeno de iteraes, embora
com um tempo computacional elevado. Estes experimentos foram realizados em uma estao
Sun Blade 100 com o Matlab 6.0, assim, no foi possvel estimar o nmero de flops.

Tabela 5.4 Exemplo com 4096 pixels Anlise Absoluta.
Mtodo Iteraes Tempo
Primal-Dual rpido com Cholesky Max.
Primal-Dual rpido sem Cholesky Max.
Preditor-Corretor rpido com Cholesky 8 974,3
Preditor-Corretor rpido sem Cholesky 8 975,2
6. Concluses
Os resultados de nossa implementao em Matlab indicam que os mtodos de pontos
interiores so promissores para esta classe de problemas sendo o mtodo preditor-corretor
mais eficiente, principalmente no aspecto robustez. Pode-se observar que as iteraes do
mtodo so rpidas, devido reduo do sistema linear via eliminao de variveis,
resultando em um sistema da ordem do nmero de linhas, que determina o nmero de pixels,
da matriz de propagao, obtendo em ambos os casos um sistema de muito menor dimenso,
simtrico e definido positivo que pode ser decomposto utilizando Cholesky acelerando a
convergncia do mtodo.
Na anlise absoluta houve uma simplificao do modelo para facilitar o desenvolvimento do
mtodo e da resoluo dos sistemas lineares. Foram criadas variveis que representam a
soma dos elementos dos vetores cujos valores individuais no so importantes.
Alm disso, possvel reduzir o esforo computacional, utilizando a frmula de Sherman-
Morrison-Woodbury para inverter uma matriz. Devido utilizao desta frmula, somente
matrizes diagonais so invertidas.

Agradecimentos
Este trabalho foi parcialmente financiado pela FAPESP Fundao de Amparo Pesquisa
do Estado de So Paulo e pelo CNPq Conselho Nacional de Desenvolvimento Cientfico e
Tecnolgico.

Referncias Bibliogrficas
[1] Bahr, G.K.; Kereiakes, J.G.; Horwitz, H.; Finney, R.; Galvin, J. & Good, K. (1968).
The Method of Linear Programming Applied to Radiation Treatment Planning.
Radiology, 91, 686-693.
[2] Castro, J. (2000). A Specialized Interior-Point Algorithm for Multcommodity Network
Flows. SIAM J. Optimization, 10(3), 852-877.
[3] Duff, I.S.; Erisman, A.M. & Reid, J.K. (1986). Direct Methods for Sparse Matrices.
Clarendon Press, Oxford.
[4] Holder, A. (2003). Designing Radiotherapy Plans with Elastic Constraints and Interior
Point Methods. Health Care and Management Science, 6(1), 5-16.
[5] Langer, M.; Brown, R.; Urie, M.; Leong, J.; Stracher, M. & Shapiro, J. (1990). Large
Scale Optimization of Beam Weights under Dose-Volume Restrictions. International J.
of Radiation Oncology, Biology, Physics, 18, 887-893.
[6] Lodwick, W.; McCout, S.; Newman, F. & Humphries, S. (1998). Series in Applied
Mathematics Computational, Radiology and Imaging: Therapy and Diagnosis.
In: Optimization methods for radiation therapy plans [edited by C. Borges and
F. Natterer], IMA, Springer-Verlag.
[7] Mehrotra, S. (1992). On the Implementation of a Primal-Dual Interior Point Method.
SIAM Journal on Optimization, 2(4), 575-601.
[8] Oliveira, A.R.L.; Nascimento, M.A. & Lyra, C. (2000). Efficient Implementation and
Benchmark of Interior Point Methods for the Polynomial L
1
Fitting Problem.
Computational Statistics & Data Analysis, 35, 119-135.
[9] Oliveira, A.R.L.; Nepomuceno, L. & Soares, S. (2005). Short Term Hydroelectric
Scheduling Combining Network Flow and Interior Point Approaches. Electrical Power
& Energy Systems, 27, 91-99.
[10] Oliveira, A.R.L.; Nepomuceno, L. & Soares, S. (2003). Optimal Active Power Dispatch
Combining Network Flow and Interior Point Approaches. IEEE Transactions on Power
Systems, 18(4), 1235-1240.
[11] Oliveira, A.R.L. & Soares, S. (2003). Mtodos de Pontos Interiores para Problema de
Fluxo de Potncia timo DC. SBA: Controle & Automao, 14(3), 278-285.
[12] Resende, M.G.C. & Veiga, G. (1993). An Efficient Implementation of a Network
Interior Point Method. DIMACS Series in Discrete Mathematics and Theoretical
Computer Science, 12, 299-348.
[13] Rosen, I.; Lane, R.; Morril, S. & Belli, J. (1990). Treatment Plan Optimization Using
Linear Programming. Med. Phys., 18, 141-152.
[14] Shepard, D.; Ferris, M.; Olivera, G. & Mackie, T. (1999). Optimizing the Delivery of
Radiation Therapy to Cancer Patients. SIAM Review, 41(4), 721-744.
[15] Sonderman, D. & Abrahamson, P. (1985). Radiotherapy Treatment Design Using
Mathematical Programming Models. Operations Research, 33(4), 705-725.
[16] Wright, S.J. (1996). PrimalDual InteriorPoint Methods. SIAM Publications,
Philadelphia PA.

Artigo Física Pura Da Radioterapia

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Artigo Física Pura Da Radioterapia

Diunggah oleh

Hak Cipta:

Format Tersedia

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142

Pesquisa Operacional, v.26, n.1, p.1-24, Janeiro a Abril de 2006 1

(w)) uma soluo tima de (1). Para qualquer

= , desde que a prescrio admita a

(w) > , conclumos que a prescrio no permite a uniformidade do tumor.

(w) , conclumos que a prescrio permite a uniformidade do tumor. Esta

Anda mungkin juga menyukai