一、CT成像原理与重建算法基础
各位同学，咱们今天聊聊CT成像的根儿。说实话，我当年刚接触这个领域时，也被一堆物理公式和数学变换搞得头大。但后来在项目里摸爬滚打几年，发现核心其实就那么几件事——X射线怎么穿透人体、数据怎么采集、图像怎么算出来。
嗯，咱们一步步来。
1.1 X射线物理基础
CT成像的源头，就是X射线。它本质上是一种高能电磁波，波长极短，能穿透人体组织。但穿透过程中，射线强度会衰减——这就是我们获取信息的依据。
衰减规律可以用一个简单公式描述：
I = I₀ · e^(-μ·d)其中：
- I₀：入射X射线强度
- I：穿透后的强度
- μ：组织的线性衰减系数（关键参数）
- d：穿透路径长度
不同组织对X射线的衰减能力不同。骨骼的μ值高，空气的μ值低。这就是CT能区分骨骼、软组织、脂肪和空气的物理基础。
核心要点：CT图像本质上是一张衰减系数μ的分布图。每个像素的值代表该位置组织对X射线的吸收能力。
我在项目中遇到过一个问题：X射线管电压的选择直接影响图像质量。电压太低，穿透力不足；电压太高，软组织对比度下降。我个人习惯是，腹部扫描用120kV，头部用140kV，胸部用100kV左右。当然，具体还得看设备型号和临床需求。
1.2 CT数据采集几何
数据怎么采？说白了，就是X射线管和探测器绕着人体转一圈，从各个角度获取投影数据。
常见的采集几何有三种：
- 平行束几何：最理想化的模型，射线相互平行。实际中很少用，但数学推导方便。
- 扇束几何：X射线呈扇形发散。这是第三代CT的典型结构，探测器阵列呈弧形排列。
- 锥束几何：X射线呈锥形发散。用于螺旋CT和C臂CT，一次扫描覆盖范围更大。
你想想看，为什么实际设备不用平行束？因为要产生平行束，需要准直器把大部分射线挡掉，剂量利用率太低。扇束和锥束能充分利用射线，扫描速度也更快。
避坑指南：我曾经在移植重建算法时，忽略了扇束到平行束的重排步骤，结果重建出来的图像全是伪影。后来花了三天才找到问题——几何参数没对齐。记住：采集几何决定了重建算法的输入格式，这一步错了，后面全白搭。
数据采集过程中，每个角度下探测器记录一组投影值。假设旋转一周采集N个角度，每个角度有M个探测器通道，那么原始数据就是一个N×M的矩阵。这个矩阵，就是重建算法的输入。
1.3 滤波反投影(FBP)算法原理
FBP是CT重建的经典算法，也是目前临床设备上用得最多的方法。它的核心思想很简单：把每个角度的投影数据“涂抹”回图像空间，然后叠加起来。
但直接反投影会得到模糊的图像。为什么？因为每个投影点贡献的是一条线，所有线叠加后，低频成分被过度增强，高频细节丢失。
解决办法就是——先滤波，再反投影。
FBP的数学流程：
1. 对每个角度的投影数据做傅里叶变换
2. 乘以斜坡滤波器（Ram-Lak滤波器）
3. 做逆傅里叶变换得到滤波后的投影
4. 将滤波后的投影反投影到图像空间
5. 对所有角度重复步骤1-4，累加结果斜坡滤波器是关键。它的频率响应是|ω|，能补偿低频过增强的问题。但实际应用中，我们通常会对高频做截断或加窗，因为真实数据里有噪声，直接放大高频会引入大量噪点。
经验之谈：我建议初学者先理解平行束FBP，再扩展到扇束和锥束。平行束的数学推导最干净，理解了它，其他几何只是坐标变换的问题。
FBP的优点是速度快、算法稳定。在嵌入式系统上，如果使用定点数优化和查表法，单张512×512的图像重建可以做到毫秒级。但缺点也很明显——对噪声敏感，低剂量扫描时图像质量下降明显。
1.4 迭代重建算法简介
迭代重建是近年来热门的方向。它不直接求解解析解，而是通过反复迭代逼近最优解。
基本思路：
- 先猜一张初始图像（比如全零或FBP结果）
- 模拟前向投影，得到估计的投影数据
- 比较估计投影和实际测量投影，计算误差
- 根据误差更新图像
- 重复步骤2-4，直到收敛
数学上，迭代重建可以建模为求解一个优化问题：
min ||Ax - p||² + λ·R(x)其中：
- A：系统矩阵（描述投影几何）
- x：待重建的图像
- p：实际测量的投影数据
- R(x)：正则化项（抑制噪声、保持边缘）
- λ：正则化参数
迭代重建的优势很明显：
- 能处理不完备数据（比如有限角度扫描）
- 可以加入先验知识（比如解剖结构约束）
- 低剂量条件下图像质量优于FBP
但代价是计算量大。一次迭代相当于一次FBP的计算量，而通常需要几十次迭代才能收敛。在嵌入式系统上，这是个不小的挑战。
注意：迭代重建的参数调优是个坑。正则化参数λ选大了，图像过于平滑；选小了，噪声压不住。我曾经在一个项目中，花了整整两周调参，最后发现是系统矩阵A的建模精度不够，导致迭代不收敛。所以，先确保前向投影模型准确，再谈优化。
目前，主流CT厂商都在推迭代重建技术。GE的ASiR、西门子的SAFIRE、飞利浦的iDose，本质上都是迭代重建的工程化实现。在嵌入式平台上，通常会用GPU或FPGA加速，把迭代时间从分钟级压缩到秒级。
小结
这一章我们覆盖了CT成像的四个基础模块：
| 模块 | 核心内容 | 嵌入式关注点 |
|---|---|---|
| X射线物理 | 衰减规律、组织对比度 | 管电压控制、剂量管理 |
| 采集几何 | 平行束、扇束、锥束 | 几何参数校准、数据重排 |
| FBP算法 | 滤波+反投影、斜坡滤波器 | 定点数优化、查表加速 |
| 迭代重建 | 优化模型、正则化、收敛性 | 硬件加速、参数调优 |
下一章，我们会深入嵌入式系统的硬件选型，聊聊怎么用FPGA和GPU把重建算法跑起来。嗯，那才是真正有意思的部分。