4. 计算机断层扫描（CT）原理：从数学到工程的跨越
大家好，我是老张。在医学成像领域摸爬滚打了十几年，CT 是我个人觉得最「数学」的一个成像模态。你想想看，一堆投影数据，怎么就能变成一张清晰的断层图像？这背后其实藏着两个核心的数学工具：拉东变换和中心切片定理。今天咱们就把这块硬骨头啃下来。
4.1 CT 的数学基础：拉东变换与中心切片定理
先说拉东变换。说白了，它就是描述「投影过程」的数学语言。一个物体在某个角度下的投影，就是沿着该方向所有衰减系数的线积分。我习惯把它想象成「用一束平行光从侧面照一个物体，在对面墙上看到的影子」。这个影子就是拉东变换的结果。
核心公式（简化版）：
P(θ, t) = ∫∫ f(x,y) δ(x cosθ + y sinθ - t) dx dy其中 f(x,y) 是物体的衰减系数分布，P(θ, t) 是在角度 θ 下、偏移量为 t 的投影值。δ 函数负责「只取那条直线上的点」。
那中心切片定理又是什么？它告诉我们一个非常漂亮的关系：投影的一维傅里叶变换，等于物体二维傅里叶变换中过中心的一条线。换句话说，每个角度的投影，都对应着频域空间里的一条「切片」。你收集足够多角度的投影，就能填满整个频域空间，再反变换回去，图像就出来了。
我个人经验： 刚入行时，我总觉得中心切片定理就是个理论玩具。直到有一次做 CT 系统仿真，发现直接反投影出来的图像模糊得不行，才意识到——这个定理才是理解「为什么需要滤波」的关键。没有它，你根本不知道频域里缺了什么。
4.2 CT 的扫描方式：从平移旋转到锥形束
数学搞清楚了，咱们来看看工程上怎么实现。CT 扫描方式经历了三代演变，我挑三个最有代表性的讲。
4.2.1 平移旋转扫描（第一代 CT）
这是最原始的方式。一个 X 射线源加一个探测器，先平移扫一条线，然后旋转一个角度，再平移扫一条线。速度慢得令人发指——扫一个脑袋要几分钟。我在实验室见过一台老古董，开机时像拖拉机一样响。
4.2.2 螺旋 CT（第三代主流）
这个改进太聪明了。患者躺在检查床上匀速移动，X 射线管和探测器持续旋转。扫描轨迹就像一根弹簧，所以叫「螺旋」。好处是速度快、覆盖范围大，而且可以任意重建出不同位置的断层图像。
关键参数：
- 螺距（Pitch）： 床移动速度 / 层厚。螺距越大，扫描越快，但图像质量会下降。
- 重建间隔： 相邻两层图像之间的距离。可以小于层厚，实现重叠重建。
4.2.3 锥形束 CT（CBCT）
这个我得多说两句。锥形束 CT 用的是面探测器，一次曝光就能覆盖一个较大的体积。口腔科、骨科用得特别多。但问题也来了——锥形束的投影不是平行束，而是扇形束甚至锥形束，中心切片定理不能直接用了。怎么办？后面讲算法时会提到。
避坑指南： 我曾经在 CBCT 系统上吃过亏。当时直接套用平行束的重建算法，结果图像边缘全是伪影。后来才意识到，锥形束的几何关系必须精确标定，探测器倾斜 0.1 度，重建出来的图像就歪了。
4.3 CT 图像重建算法：从反投影到迭代重建
有了投影数据，怎么变成图像？这就是重建算法的事。我按历史发展顺序讲，这样你更容易理解为什么后来的算法更好。
4.3.1 反投影（Back Projection）
最直观的想法：把每个角度的投影值「抹回」到对应的路径上。所有角度叠加起来，就得到一幅图像。但问题很明显——图像是模糊的。为什么？因为反投影本质上是在做「平均」，低频成分被过度放大，高频细节丢失了。
我的理解： 反投影就像用一支粗笔在纸上画线，画得越多，线条越粗越模糊。你需要一支细笔才能画出清晰的轮廓。这支「细笔」就是滤波。
4.3.2 滤波反投影（Filtered Back Projection, FBP）
这是目前临床 CT 最常用的算法。思路很简单：在反投影之前，先对投影数据做一次滤波。滤波器的形状决定了图像的清晰度和噪声水平。常用的滤波器有 Ram-Lak、Shepp-Logan 等。
// 伪代码示例：滤波反投影
for each angle θ:
P_filtered = FFT(P(θ)) * Filter // 频域滤波
p_filtered = IFFT(P_filtered) // 变回时域
back_project(p_filtered) // 反投影到图像空间滤波器选择经验：
- Ram-Lak 滤波器： 理想高通，图像最锐利，但噪声也最大。适合高剂量扫描。
- Shepp-Logan 滤波器： 加了平滑，噪声小一些，适合低剂量。
- 自定义滤波器： 我习惯在临床项目中根据扫描部位调整截止频率。比如肺部 CT 用锐利一点，腹部 CT 用平滑一点。
4.3.3 迭代重建（Iterative Reconstruction）
这是近十年的主流方向。FBP 虽然快，但噪声和伪影控制能力有限。迭代重建的思路是：先猜一张图像，计算它的投影，和真实投影比较，然后修正图像，再重复。直到误差足够小。
迭代重建的好处很明显：
- 低剂量成像： 可以在更少的投影数据下重建出高质量图像。我做过对比，迭代重建在 1/4 剂量下，图像质量不输 FBP 的全剂量。
- 伪影抑制： 金属伪影、运动伪影都能有效处理。
- 模型灵活： 可以加入噪声模型、系统几何模型等先验知识。
注意： 迭代重建的代价是计算量大。早期一个病例要算几十分钟，现在有了 GPU 加速，几十秒就能搞定。但如果你在嵌入式系统上做，还是要慎重选择算法复杂度。
4.4 知识体系总览
下面这张图是我自己画的，把本章的核心逻辑串起来了。你一看就明白：数学基础、扫描方式、重建算法这三块是怎么互相支撑的。
嗯，这张图你看懂了吗？从上到下，数学基础决定了你能做什么，扫描方式决定了你得到什么数据，重建算法决定了你最终看到什么图像。三者缺一不可。
最后说一句： 如果你刚开始学 CT，我建议你先吃透滤波反投影。迭代重建虽然时髦，但 FBP 是理解所有重建算法的基石。我在带新人时，第一件事就是让他们手写一个 FBP 程序，跑通之后再谈别的。
公众号:蓝海资料掘金营，微信deep3321