CT 与 MRI 图像重建：从低剂量到超分辨率

FreeGuideOnline 最新 2026-06-20

CT 与 MRI 图像重建：从低剂量到超分辨率

图像重建是医学影像的核心技术。它将原始物理信号转化为可供诊断的图像，并直接影响图像质量与辐射/扫描时间。本教程从基础原理出发，逐步阐释 CT 和 MRI 的重建方法，重点介绍低剂量 CT 重建策略与超分辨率技术的最新进展。无论你是医学物理、生物医学工程还是放射科方向的初学者，都将获得清晰、可操作的知识框架。

1. CT 图像重建基础

CT（计算机断层成像）利用 X 射线从多角度穿透人体，探测器接收衰减后的信号，通过重建算法恢复出体内每一“体素”的线性衰减系数 μ。

1.1 投影与 Radon 变换

当一束单能 X 射线穿过物体时，出射强度 I 与入射强度 I₀ 满足 Lambert-Beer 定律：

I = I₀·exp(-∫μ(x) dx)

对两边取负对数得到投影值 p：

p = -ln(I/I₀) = ∫μ(x) dx

Radon 变换描述的正是这样一个过程：将二维物体密度函数 f(x,y) 沿某方向的线积分转化为投影。重建的根本任务是从有限角度、有限采样下的投影数据中反解出 f(x,y)。

1.2 滤波反投影 (FBP)

FBP 是目前临床最常用的解析重建方法，源于 Fourier 切片定理：物体在角度 θ 下的投影的一维傅里叶变换等于物体二维傅里叶变换中沿同样角度穿过中心的一条线。

重建步骤：

  1. 对每个投影作一维傅里叶变换。
  2. 在频域乘以斜坡滤波器 |ω|，抑制低频过度增强，补偿投影采样密度不均。
  3. 逆傅里叶变换回空间域，得到“滤波后投影”。
  4. 将所有角度下的滤波后投影反投影（涂抹）回图像空间并叠加，重建出 f(x,y)。

FBP 的优点是速度快、线性，但在剂量降低、投影数量稀疏或噪声较强时，会产生条形伪影和颗粒状噪声。这促使了迭代重建的发展。

1.3 迭代重建 (IR)

迭代重建将 CT 重建视为一个优化问题。设 x 为待求图像向量，A 为系统矩阵（描述每个投影线穿过各体素的长度），b 为实测投影。目标是最小化代价函数：

min ||Ax - b||²₂ + λR(x)

式中第一项是数据保真项，R(x) 为正则化项（如全变分 TV）以引入先验知识，λ 为正则化参数。

常见算法：

  • 代数重建技术 (ART)：逐条投影线更新图像。
  • 联合代数重建技术 (SART)：每次用一个整个投影视图更新，收敛更稳定。
  • 基于模型的迭代重建 (MBIR)：对噪声统计建模（如 Poisson 模型），结合精细的物理模型（焦点、探测器响应）和正则化，在低剂量下显著抑制噪声。

MBIR 的代表算法包括 GE 的 Veo、西门子的 ADMIRE 等。它们的降噪能力强，但计算量大，重建时间长，并且图像的噪声纹理与传统 FBP 不同，可能影响阅片习惯。

2. MRI 图像重建基础

MRI 的信号来自高磁场中氢质子的进动。接收线圈采集到的信号是空间自旋密度的傅里叶变换产物——k 空间数据。重建的核心任务是从欠采样、含噪的 k 空间恢复出清晰的解剖图像。

2.1 k 空间与傅里叶重建

对于二维成像，接收信号 s(kₓ,k_y) 与图像 m(x,y) 的关系为：

s(kₓ,k_y) = ∫∫ m(x,y) e^{-i2π(kₓx + k_yy)} dx dy

全采样时，直接作二维逆傅里叶变换即可得到 m(x,y)。但 k 空间全采样耗时过长，成像速度慢，制约影像质量与患者舒适度。

2.2 并行成像

多通道线圈可同时采集信号，各通道的空间灵敏度不同。并行成像利用这些灵敏度信息，加速采集。

  • SENSE（灵敏度编码）：在图像域求解。若以加速因子 R 欠采样 k 空间（如隔行采样），直接傅里叶重建会出现混叠伪影。SENSE 利用线圈灵敏度图，将多个通道的混叠图像联立线性方程，解出原像。其数学本质是：
SENSE：m = argmin ||D·S·m - y||²₂

其中 D 为采样算子，S 为线圈灵敏度矩阵，y 为各通道 k 空间数据。

  • GRAPPA（广义自动校准部分并行采集）：在 k 空间域重建。利用全采样区域（自动校准信号 ACS）训练线性权重，用相邻的已采集 k 空间点预测未采集的 k 空间点，然后对补全后的 k 空间作傅里叶变换。GRAPPA 的优点是保留图像相位信息更准确，便于后续处理。

并行成像加速因子通常为 2~4，更高的加速度会带来噪声放大（g 因子）。

2.3 压缩感知 MRI

压缩感知 (CS) 允许在远低于奈奎斯特采样率的条件下重建信号，前提是信号在某个变换域是稀疏的。MRI 图像在小波域、梯度域（全变分）等具有稀疏性。CS 重建解优化问题：

min ||Ψm||₁   s.t. ||Fᵤm - y||₂ < ε

其中 Ψ 是稀疏变换，Fᵤ 是欠采样傅里叶算子。常用非线性共轭梯度迭代求解。CS 使我们可以使用随机/伪随机欠采样模式，将加速因子提升至 5~8 倍，在血管成像、动态成像中应用广泛。

2.4 深度学习重建

深度神经网络直接学习从欠采样或零填充的 k 空间数据到目标全采样图像的映射。典型结构有：

  • U-Net：在图像域（逆傅里叶变换后）处理，学习去除混叠和噪声。
  • 变分网络 (Variational Network)：将迭代优化过程展开为网络结构，每一步包含数据一致性项与正则化卷积。
  • k 空间网络：直接在 k 空间插值缺失数据，再转图像域细化。

深度学习 MRI 重建可利用大量配对数据（欠采样-全采样）进行监督学习。近年来自监督学习（如利用原始数据自身一致性）也取得了突破，减少了对完美参考图像的依赖。

3. 从低剂量到超分辨率：重建技术的进阶

3.1 低剂量 CT 重建

降低 CT 辐射剂量会显著增加投影噪声和电子噪声。传统 FBP 在低剂量下图像质量急剧下降。策略可分为：

  1. 统计迭代重建 (SIR)：将投影噪声建模为 Poisson 分布与高斯电子噪声的组合，代价函数：
min ∑ (|Ax|_i - b_i·ln|Ax|_i) + βR(x)

通过交替更新迭代，可有效抑制条纹噪声，保留边缘。SIR 现已广泛应用于 CT 系统，使剂量降低 30%~70%。

  1. 深度学习去噪/端到端重建：

    • 图像域后处理：用 CNN（如 RED-CNN，WGAN）将低剂量 FBP 图像映射至常规剂量图像。高效但可能引入过平滑或伪影。
    • 投影域去噪：在 sinogram 上先降噪，再 FBP 重建。
    • 联合域：同时优化投影域和图像域。
    • 端到端深度重建：如基于迭代展开的 LEARN 框架，将 MBIR 的每个迭代步用卷积神经网络参数化，可解释性高、重建质量好，保持数据一致性。

  2. 自监督与无需干净标签的方法：Noise2Noise 思路——只需要两个独立的低剂量噪声实现即可训练去噪网络，不必采集配对的高剂量图，极大方便了临床数据的使用。

3.2 MRI 超分辨率重建

MRI 超分辨率旨在从低分辨率（通常为厚层、大像素间隔）扫描中恢复出高分辨率的组织细节，从而缩短扫描时间或提升图像后验证性能。

  • 单图像超分辨率 (SISR)：输入为一幅低分辨率 MRI 图像，使用深度学习模型生成高分辨率图像。常用模型包括 SRCNN、EDSR、RCAN，以及基于 GAN 的模型（如 ESRGAN）。GAN 生成的图像纹理更锐利，但需注意伪影控制。

  • 利用多模态信息：利用同一患者的 T1、T2 等多对比度图像，通过跨对比度信息融合提高分辨力。网络输入为多个低分辨率对比度，输出为高分辨率目标对比度。

  • 扩散模型：近年来扩散概率模型（DDPM）在超分辨率中表现出色，能生成比 GAN 更真实的高频细节。通过逐步去噪预测，从低分辨率图开始恢复细节。

  • 3D 超分辨率：将厚层扫描的层间分辨率提升，输入为 3D 各向异性体积，输出为各向同性高分辨率体积。常用 3D CNN 或 Transformer 架构，可有效提升冠状位、矢状位的观片体验。

3.3 跨模态的共性技术与趋势

  • 深度展开网络 (Unrolling)：将传统迭代算法（ADMM、ISTA 等）的步骤展开为网络层，物理可解释，样本效率高，广泛用于 CT 低剂量重建、MRI 压缩感知重建与 PET 重建。
  • 自监督与无监督重建：利用采集协议本身的内在结构（如 MRI 多通道、多回波）构造训练信号，避免依赖高质量标签。
  • 物理约束：在损失函数中加入数据一致性项，确保网络输出与原始测量信号一致，防止生成不真实结构。
  • 应用集成：重建网络直接与下游任务（分割、分类）联合训练，使图像质量针对诊断需求优化。

总结

CT 和 MRI 图像重建正经历从解析/代数方法向基于模型迭代，再到深度学习驱动的演变。低剂量 CT 重建通过统计建模与神经网络大幅减少噪声，使得辐射暴露降至安全且诊断可用的水平。MRI 方面，并行成像、压缩感知和深度学习让快速高分辨成像成为日常。超分辨率技术进一步从软件层面提升了空间细节，实现了“花更少的扫描时间，看到更清晰的结构”。

对于初学者，应首先理解 Radon/Fourier 的基础投影关系，然后依次掌握迭代优化的核心思想与深度学习在图像复原中的典型架构。这些知识将帮助你评估商用设备的重建选项，也在前沿研究中设计出更安全、更高效的医学成像方法。