了解了一下CT成像的原理。

通俗解释：像“切面包”一样看透身体

CT的全称是电子计算机断层扫描（Computed Tomography）。

要理解CT，可以先从普通X光说起。X光片就像把人体“压扁”了拍一张照片——骨头、器官、血管全部重叠在一起，很多细节看不清楚。而CT则完全不同：它让X射线管围绕人体旋转，从无数个角度发射X射线进行扫描，对面还有一排探测器负责接收穿过人体后的X光信号。

最形象的比喻是切面包：普通X光片是把整个面包压扁了看，而CT则是把面包切成无数薄片，逐片观察内部的每一处细节。无论是面包里的坚果、空洞，还是质地的细微变化，都能清晰呈现。CT最终得到的是一系列横断面图像（就像一片片面包切片），医生可以一层一层地观察，甚至还能通过计算机后处理技术重建出三维立体图像。

CT片子上黑白灰度的差异，反映的是不同组织对X射线吸收能力的差异：骨骼密度高，吸收大量X射线，呈白色；肺部充满空气，几乎不吸收X射线，呈黑色；肌肉、内脏等软组织介于两者之间，呈现不同深浅的灰色。

简单来说，CT的流程就是：X射线从多个角度穿透人体 → 探测器接收信号 → 计算机处理数据 → 重建出断层图像。

专业解释

CT成像是一个融合物理学与数学的精密过程。

一、物理学原理：X射线的衰减

CT的物理基础是比尔-朗伯定律（Beer-Lambert Law），即X射线在穿过物质时会发生衰减。

当一束单色X射线穿过一个均匀介质时，其出射强度与入射强度的关系为：

\[ I = I₀ · e^{(-μd)} \]

其中： - I₀ 为入射X射线强度 - I 为出射X射线强度 - μ 为该物质的线性衰减系数（与物质密度、原子序数等因素有关） - d 为X射线穿过的厚度

人体并非均匀介质，而是由骨骼、肌肉、脂肪、空腔等不同组织构成，每种组织都有不同的μ值。当X射线沿某一路径穿过人体时，总衰减是路径上所有组织衰减的累加。探测器记录下穿出人体后的X射线强度，就能反推出路径上组织的密度信息。

为了标准化不同组织的密度表达，CT采用CT值（Hounsfield Unit，亨氏单位）。CT值以水的衰减系数为基准：

\[ \text{CT值} = [(μ_{组织} - μ_水) / μ_水] × 1000 \]

在这个标尺上，水的CT值为0，空气约为-1000，骨骼约为+1000。这一标准化尺度使得不同设备、不同时间的CT图像具有可比性。

二、数学原理：图像重建

CT的核心数学问题可以追溯到1917年数学家拉东（J. Radon）证明的理论：任何物体都可以从其投影的无限集合来重建其图像。

具体而言：

1. 数据采集（投影）

X射线管围绕人体旋转，从多个角度（通常为360°或180°以上）发射X射线。探测器记录下每个角度下X射线穿透人体后的强度数据。这些数据被称为投影数据（或正弦图）。之所以必须旋转采集，是因为单次照射只能得到一个方向上的平均衰减信息，无法区分不同组织的具体位置；只有从多个角度获取投影数据，才能唯一确定人体内部各点的衰减系数分布。

2. 图像重建（数学反演）

采集到的投影数据需要经过重建算法才能转化为断层图像。主流重建算法主要有两类：

• 滤波反投影（Filtered Back Projection, FBP）：这是目前最经典、应用最广泛的重建算法。其数学基础是傅里叶切片定理——一维投影的傅里叶变换等同于二维图像傅里叶变换的一个“中心切片”。简单来说，FBP先将各角度投影数据进行滤波（以消除直接反投影带来的模糊效应），再将滤波后的数据沿原路径“反投”回图像空间，所有角度的反投影叠加后即得到断层图像。

• 迭代重建（Iterative Reconstruction）：这是一种更现代的方法，将成像过程建模为求解大型方程组的优化问题。它通过不断迭代修正重建图像，使其投影与实测投影尽可能一致。迭代算法在处理低剂量扫描、数据不完备等情况时表现更优，能在抑制噪声的同时保持图像边缘清晰。

3. 图像显示

重建后的数字图像经由监视器显示出来，也可通过激光相机打印成胶片，或存储在磁盘、光盘等介质上。

三、技术演进

现代CT已从最初的单排探测器、数分钟扫描，发展到多排螺旋CT、双源CT，扫描速度达到亚秒级，图像分辨率达到毫米级。更前沿的能谱CT（如双能CT、光子计数CT）还能分辨不同能量的X射线，实现物质成分的精确分离，从传统的“灰度图”向“彩色”定量分析迈进。

影响CT成像的参数

这些参数会直接决定你手中图像的像素值（CT值）、噪声水平、分辨率以及伪影情况，进而影响分割算法的准确性。

这些参数主要可以分为扫描采集参数、图像重建参数和患者/环境相关参数三大类。

1. 扫描采集参数 (影响原始数据)

这部分参数在扫描时设定，决定了原始数据的“原料”质量。

• 管电压 (Tube Voltage, kVp)：决定了X射线的“穿透力”。
  • 影响：kVp越高，射线穿透力越强，图像噪声降低，但软组织对比度下降；反之，低kVp能增强碘对比剂的显影效果（CT值更高），但会显著增加图像噪声和射线束硬化伪影的风险。
  • 分割影响：直接影响不同组织的CT值，可能导致基于阈值的分割算法失效。
• 管电流 (Tube Current, mAs)：决定了X射线的“强度”或“量”。
  • 影响：mAs越高，图像噪声越低，信噪比越好，但患者辐射剂量也越大。它是影响图像噪声最直接的因素之一。
  • 分割影响：低剂量（低mAs）扫描产生的高噪声图像会严重影响分割算法的性能，尤其是对边缘的检测。
• 螺距 (Pitch)：在螺旋CT中，指床移动速度与扫描层厚的比值。
  • 影响：螺距增大，扫描速度加快，覆盖范围更广，但图像噪声增加，纵向分辨率（Z轴）降低。
  • 分割影响：影响三维分割时体素在Z轴方向上的各向同性和连续性。
• 扫描视野 (Scan Field of View, SFOV)： X射线实际照射的范围。
  • 影响：决定了能被重建出来的最大解剖范围。如果患者体型超出SFOV，会导致截断伪影（Truncation Artifact）。
  • 分割影响：截断伪影会扭曲图像边缘，影响目标器官的完整分割。
• 旋转时间 (Gantry Rotation Time)：X射线管绕人体旋转一圈所需的时间。
  • 影响：时间越短，时间分辨率越高，对减少运动伪影（如心脏、呼吸）越有利。
  • 分割影响：运动伪影是分割算法的一大挑战，会造成边缘模糊和形状失真。
• 探测器准直 (Detector Collimation)：决定了Z轴方向上探测器的有效宽度。
  • 影响：准直越窄，Z轴分辨率越高，但覆盖范围变小，噪声可能增加。
  • 分割影响：直接决定了原始数据在Z轴上的分辨率极限。

2. 图像重建参数 (影响最终图像)

这部分参数在扫描后将原始数据“计算”成我们看到的图像，是影响分割结果的核心因素。

• 重建算法 (Reconstruction Algorithm)：最重要的参数之一。
  • 滤波反投影 (FBP)：传统经典算法，速度快，但对噪声敏感。
  • 迭代重建 (IR)：现代算法，能在低剂量下显著降低噪声，提高图像质量，但可能改变图像的纹理特征（“塑料感”）。
  • 分割影响：不同算法产生的图像纹理和噪声特征不同，分割模型（尤其是基于深度学习的）在一种算法上训练后，在另一种算法上性能可能下降。
• 重建核 (Reconstruction Kernel)：一种数学滤波器，用于控制图像的平滑度和锐利度。
  • 影响：软组织核（平滑）：噪声低，图像平滑，适合观察软组织。骨核/锐利核（锐利）：噪声高，边缘清晰，适合观察骨骼或高对比度结构。
  • 分割影响：直接影响边缘检测和分割精度。锐利核有助于分割精细结构，但也会放大噪声。
• 层厚 (Slice Thickness)：重建出的每一层图像的厚度。
  • 影响：层厚越薄，空间分辨率（尤其在Z轴）越高，能显示更精细的结构，但图像噪声会增加。
  • 分割影响：非常关键。薄层图像能提供更精确的边界信息，有利于三维重建，但噪声也更高。厚层图像则可能因部分容积效应（一个体素内包含多种组织）导致边界模糊和CT值不准。
• 重建视野 (Reconstruction Field of View, DFOV)：最终图像所显示的正方形区域的大小。
  • 影响：DFOV越小，像素尺寸越小，平面内空间分辨率越高，但前提是矩阵大小不变。
  • 分割影响：更高的空间分辨率有助于分割小病灶或精细解剖结构。
• 重建矩阵 (Reconstruction Matrix)：构成图像的像素网格，通常是512x512。
  • 影响：矩阵越大（如1024x1024），像素越小，空间分辨率越高。
  • 分割影响：与DFOV共同决定了像素的实际大小，影响分割的精细度。

3. 患者及环境相关因素

• 患者体型与摆位：体型影响X射线的衰减。患者未置于扫描中心可能导致图像质量不均。
• 运动：患者的呼吸、心跳、肠道蠕动等生理运动是产生运动伪影的主要原因。
• 对比剂 (Contrast Medium)：用于增强特定组织（如血管）的显示。
  • 影响：注射碘对比剂后，血管和富血供组织的CT值会显著升高。
  • 分割影响：使用对比剂与否，同一组织的CT值会完全不同，这会导致基于CT值阈值的分割方法完全失效。在分割前必须明确数据是否使用了对比剂。

总结与建议

对于一个图像分割任务，建议你：

1. 记录元数据：在开始处理前，务必从DICOM文件中提取并记录所有关键参数，如kVp, mAs, Slice Thickness, Reconstruction Kernel, Contrast/Bolus Agent等。这是后续分析和模型泛化的基础。
2. 保持一致性：如果可能，尽量使用同一台设备、相同的扫描协议和重建参数采集的数据来训练和测试你的分割模型，以消除参数差异带来的影响。
3. 关注核心参数：在参数不一致时，需特别关注重建核、层厚和是否使用对比剂这三个对分割结果影响最大的因素。你的分割算法应具备应对这些变化的鲁棒性，或在预处理阶段进行标准化。

查看 nii.gz 格式CT图像尺寸

安装包如下

1
2

# pip install SimpleITK
conda install -c conda-forge simpleitk

代码如下，分别为shape（体素个数） 和 单个体素的尺寸

1
2
3
4
5

import SimpleITK as sitk

img = sitk.ReadImage("ct.nii.gz")
print("Size:", img.GetSize())        # (X, Y, Z)
print("Spacing:", img.GetSpacing())  # (x, y, z) mm

示例如下

1
2
3
4
5
6
7
8
9
10

In [1]: import SimpleITK as sitk

In [2]: img = sitk.ReadImage("0.nii.gz")

In [3]: print("Size:", img.GetSize())
Size: (138, 138, 216)

In [4]: print("Spacing:", img.GetSpacing())
Spacing: (0.5859379768371582, 0.5859379768371582, 0.5859379768371582)

查看CT值的取值范围，看看有没有被改动

1
2

arr = sitk.GetArrayFromImage(img)
print(arr.min(), arr.max())

如果看到数值在 -1200 ~ 3000，基本可以确定是 HU。

4️⃣ 什么情况下数组不是原始 CT 值？

有些公开数据集或预处理脚本会提前做：

• 窗宽窗位裁剪（Windowing）

  比如只保留 [-1000, 400]（肺窗）

• 归一化

  缩放到 [0, 1] 或 [-1, 1]

• 偏移校正

  加 1024 避免负数（变成 0~2000）

参考资料

1. https://www.bohrium.com/sciencepedia/feynman/radiomics_undergraduate-computed_tomography_principles
2. https://www.bilibili.com/video/BV1dh4y1D7M1/?vd_source=584d44ba7fed271fb82848e7894a53c8
3. https://www.bilibili.com/video/BV1Bcm7BaEyv/?vd_source=584d44ba7fed271fb82848e7894a53c8