第二章：成像链与信号模型——从射线源到探测器
各位同学好，我是你们这门课的主讲。今天咱们聊聊成像链和信号模型。说实话，这章内容是整个医学成像系统的“地基”。你后面做性能评估、做校准，如果不懂信号是怎么一路走过来的，那基本就是瞎忙活。
我当年刚入行时，带我的老工程师跟我说过一句话，我一直记着：“成像系统本质上就是个信号传递系统”。你想想看，从射线源发出X光，到最终在屏幕上显示出一张图像，中间经历了多少环节？每个环节都会引入误差、噪声、失真。我们做性能评估，说白了就是要把这些“坑”一个个找出来。
2.1 成像链的五个关键环节
我个人习惯把成像链拆成五个环节。这样分析问题的时候思路特别清晰：
- 射线源——产生X射线或γ射线
- 被照体——患者身体，射线在这里发生衰减
- 探测器——把穿过人体的射线转换成电信号
- 信号采集与数字化——模拟信号变数字信号
- 图像重建与显示——最终形成我们看到的图像
嗯，这里要注意：很多人只关注探测器和重建算法，却忽略了射线源和信号采集这两个环节。我在项目中遇到过好几次，图像质量差，折腾半天发现是射线源的焦点漂移了。所以，每个环节都不能放过。
2.2 信号模型：从射线源说起
2.2.1 射线源的数学模型
射线源发出的X射线，我们可以用一个简单的模型来描述：
I₀(E) = 射线源在能量E下的初始强度
I₀(E) = S(E) · t · Ω其中S(E)是能谱分布，t是曝光时间，Ω是立体角。说白了，就是“有多少光子、往哪个方向飞”。
我记得有一次做CT校准，发现图像中心亮边缘暗。排查了半天，原来是射线源的阳极靶面有轻微损伤，导致能谱发生了偏移。你看，射线源模型里的S(E)变了，整个成像链就全歪了。
2.2.2 射线穿过人体后的衰减
射线穿过人体时，遵循比尔-朗伯定律：
I(E) = I₀(E) · exp(-∫μ(x, E) dx)这里μ是线性衰减系数，它跟组织密度、原子序数、射线能量都有关系。你想想看，骨头和软组织的μ值差了好几倍，这就是X光能成像的根本原因。
2.3 探测器：从光子到电信号
探测器是整个成像链里最“娇气”的环节。为什么这么说？因为它要把微弱的X光子转换成电信号，中间任何一点干扰都会被放大。
2.3.1 探测器的响应模型
探测器的输出信号可以写成：
S_out = G · η · I_detected + S_offset其中：
- G —— 增益系数（电子学放大倍数）
- η —— 量子效率（光子转换成电子的比例）
- I_detected —— 到达探测器的光子数
- S_offset —— 暗电流偏移（没有射线时也有输出）
嗯，这里有个坑：暗电流偏移S_offset。我曾经遇到过一台DR设备，开机半小时内图像越来越亮。查到最后，是探测器温度升高导致暗电流漂移。从那以后，我每次做校准前都会先让设备预热15分钟。
2.3.2 探测器的噪声来源
探测器噪声主要有三类，我列个表方便你对比：
| 噪声类型 | 来源 | 特点 | 如何抑制 |
|---|---|---|---|
| 量子噪声 | 光子到达的随机性 | 服从泊松分布，与剂量相关 | 增加曝光剂量 |
| 电子噪声 | 放大器、ADC电路 | 近似高斯分布，与剂量无关 | 优化电路设计、降低温度 |
| 结构噪声 | 探测器像素不一致 | 固定模式噪声 | 增益校准、坏像素校正 |
2.4 信号采集与数字化
探测器输出的模拟信号，要变成计算机能处理的数字信号。这个过程涉及两个关键参数：采样率和量化位数。
2.4.1 采样定理
奈奎斯特采样定理告诉我们：采样频率必须大于信号最高频率的两倍。但在医学成像里，我们更关心的是空间采样——也就是像素大小。
像素大小 ≤ 0.5 × 系统空间分辨率举个例子：如果系统的极限分辨率是2 lp/mm（线对每毫米），那么像素大小至少要做到0.25mm。我见过有人用0.5mm像素去配2 lp/mm的探测器，结果图像全是锯齿，这叫欠采样。
2.4.2 量化与动态范围
量化位数决定了图像的灰度级数。常见的医学图像：
- DR（数字X光）：12-14 bit，4096-16384灰度级
- CT：16 bit，65536灰度级
- MRI：12-16 bit，取决于系统
量化位数不够会怎样？会出现轮廓伪影——明明应该是平滑过渡的区域，变成了一级一级的台阶。我调试过一台老式DR，只有10bit量化，肺部图像看起来像等高线地图，后来换了14bit的ADC才解决。
2.5 噪声模型与信噪比
终于到了最核心的部分。噪声模型，说白了就是回答一个问题：信号里混了多少“脏东西”？
2.5.1 总噪声模型
整个成像链的总噪声，可以近似为：
σ_total² = σ_quantum² + σ_electronic² + σ_structural²注意这里是方差相加，因为不同噪声源通常是相互独立的。在实际系统中，量子噪声占主导（高剂量时），电子噪声占主导（低剂量时）。
2.5.2 信噪比（SNR）
信噪比的定义很简单：
SNR = 信号均值 / 噪声标准差但实际应用中，我们更常用对比度噪声比（CNR）：
CNR = (S₁ - S₂) / σ_noise其中S₁和S₂是两种组织的信号值。CNR越高，两种组织越容易区分。
2.5.3 噪声功率谱（NPS）
这个稍微进阶一点，但做性能评估必须懂。噪声不是均匀分布的——不同空间频率上的噪声大小不一样。NPS就是描述这个的：
NPS(f) = 噪声在频率f上的功率密度我举个例子：有些探测器在低频段噪声大（表现为图像大范围的明暗不均），有些在高频段噪声大（表现为颗粒感强）。做校准的时候，只看整体SNR是不够的，必须看NPS。
我曾经帮一家医院调试乳腺DR，SNR指标完全合格，但医生总说图像“不干净”。一测NPS，发现50-100 lp/mm频段有个噪声尖峰，最后查出是探测器支撑结构的振动引起的。你看，NPS能帮你定位噪声来源。
2.6 本章小结
这一章内容不少，我帮你捋一下重点：
- 成像链有五个环节，每个环节都会影响最终图像质量
- 信号模型从射线源开始，经过人体衰减，到探测器转换
- 噪声分为量子噪声、电子噪声、结构噪声三类
- 信噪比是评估图像质量的核心指标，但NPS能提供更详细的信息
下一章我们会深入讲调制传递函数（MTF）——这是评价系统空间分辨率的标准方法。到时候我会教你如何用线对卡和边缘法测量MTF，还会分享一些我踩过的坑。