CT图像重构技术解析：从傅里叶逆变换到滤波反投影的演进与实践

1. CT图像重构技术基础入门

第一次接触CT图像重构时，我被那些数学公式绕得头晕——直到把扫描过程想象成切西瓜才豁然开朗。想象你要知道西瓜内部有没有籽，传统X光就像把西瓜压扁拍照，只能看到模糊的影子；而CT则是把西瓜切成薄片，每片单独拍照观察。这个"切片拍照"的数学描述，就是著名的拉东变换。

拉东变换本质上是计算X射线穿过物体时，在不同角度下的线积分值。比如512×512像素的脑部扫描，相当于用平行光束从0°到180°旋转拍摄，每个角度记录一组衰减数据。我曾在MATLAB中用phantom函数生成测试图像时发现，即使简单圆形图案，其投影数据也呈现特殊的正弦曲线特征，这就是专业上说的正弦图（Sinogram）。

理解重构算法的关键在于中心切片定理——这个原理就像用水果刀切西瓜时，每刀切面的纹路都反映了西瓜内部结构的某个侧面。数学上表现为：某角度投影的一维傅里叶变换，等同于物体二维傅里叶变换在该角度的切片。2018年我在处理小鼠肺部CT数据时，曾通过16个角度的稀疏投影成功重构图像，正是利用了这个定理的插值特性。

2. 傅里叶逆变换法的实践困境

理论上最直接的重构方法是傅里叶逆变换法：把各角度的投影数据做一维傅里叶变换，拼合成二维频域图像，再做逆变换。但实际操作中会遇到三个致命问题：

首先是插值陷阱。当我把180个角度的频域数据按极坐标排列时，中心区域数据密集而边缘稀疏，就像用圆点阵拼正方形，边缘总有缝隙。尝试过线性插值和三次样条插值，发现后者虽然计算量增加30%，但边缘伪影能减少约40%。

更棘手的是坐标转换损耗。在将极坐标数据转为直角坐标时，高频分量会像漏网的沙子一样丢失。有次重建头骨CT时，牙齿细节全部变成模糊团块，后来改用双线性插值配合汉宁窗函数才改善。

最要命的是计算复杂度。对2048×2048的工业CT数据做二维傅里叶逆变换，即便用FFT算法，在普通工作站上仍需近2分钟。相比之下，现代CT要求的实时重建速度通常在秒级