Los algoritmos iterativos de reconstrucción de imágenes tienen ventajas considerables sobre los métodos de transformación para la tomografía computarizada, pero cada uno tiene sus propias desventajas. En particular, el algoritmo de máxima verosimilitud esperanza-maximización (MLEM) reconstruye imágenes de alta calidad incluso con datos de proyección ruidosos, pero es lento. Por otro lado, la técnica de reconstrucción algebraica multiplicativa simultánea (SMART) converge más rápido en las primeras iteraciones pero es susceptible al ruido. Aquí, construimos un algoritmo novedoso que tiene las ventajas de estos diferentes esquemas iterativos combinando EM de subconjuntos ordenados (OS-EM) y MART (OS-MART) con medias geométricas o híbridas ponderadas. Se muestra teóricamente que la función objetivo disminuye con cada iteración y la cantidad de disminución es mayor que la media entre las disminuciones para OS-EM y OS-MART. Realizamos experimentos de reconstrucción de imágenes en fantasmas simulados y dedujimos que nuestro algoritmo supera a OS-EM y OS-MART por sí solo. Nuestro algoritmo sería efectivo en la práctica ya que incorpora OS-EM, que es actualmente la técnica más popular de reconstrucción de imágenes iterativa a partir de proyecciones medidas ruidosas.