玻尔百科计算机断层扫描（CT）等医学成像技术面临一个根本性挑战：如何根据一系列X射线测量数据，生成清晰的人体内部图像。几十年来，标准方法——滤波反投影（FBP）——提供了一种快速而简洁的解决方案。然而，该方法在现实世界条件下，尤其是在处理低剂量扫描产生的噪声数据时，表现不佳，会放大伪影，并可能掩盖关键的诊断信息。这一差距凸显了对一种更智能、更稳健的重建技术的需求。本文将深入探讨迭代重建（IR），这是一种范式转换方法，它将图像生成视为一个复杂的推断过程，而非固定的计算。接下来的章节将首先探讨IR的核心原理和机制，详细说明它如何利用统计模型和先验知识来克服FBP的局限性。然后，我们将审视其变革性应用和跨学科联系，从在临床实践中实现显著的辐射剂量降低，到其在各个科学学科中扮演的统一角色。
要真正领会迭代重建的革命性，我们必须首先理解它旨在解决的问题。想象一下，计算机断层扫描（CT）扫描仪就像一个设备，它向一个物体提出一系列问题，却从未直接看到它。每一次X射线投影都是对一个问题的回答，例如：“沿着这条特定的直线路径上有多少物质？”所有这些答案的集合——即探测器测量值——就是我们所说的正弦图（sinogram）。图像重建的巨大挑战是一个反问题：给定这些答案，我们能否推断出原始物体？
几十年来，解决这个难题的标准方法是滤波反投影（FBP）。FBP是数学上优雅的杰作，源于一个被称为傅里叶切片定理的深刻见解。它提供了一个直接、分步的方案，将正弦图转换回图像。“反投影”部分很直观：取每条线的测量值，并将其“涂抹”回其来源路径。对所有角度的所有线都执行此操作，物体的模糊版本便开始显现。“滤波”步骤则是将这种模糊锐化为清晰图像的数学魔法，该过程涉及增强高频细节。
FBP就像一把为完美制造的锁量身打造的钥匙。它是一个精确的解析解，但仅在一组理想化的假设下成立：X射线测量无噪声，物理过程可用简单的直线描述，并且我们拥有无限数量的投影。但现实世界是复杂的。测量总会受到噪声的干扰，物理过程更为复杂，我们只能获取有限数量的视图。在这些现实场景中，FBP尽管优雅，却开始暴露出其缺陷。锐化图像的滤波步骤同时也会无情地放大噪声，其刚性的数学结构无法轻易地将扫描仪更精细的物理特性考虑在内。我们需要一种更稳健、更智能的方法。
这就是迭代重建（IR）登场的时刻，它带着一种完全不同的哲学。IR不像固定的方案，而是像侦探破案一样对待重建。未知图像是嫌疑人，探测器测量值是线索。目标不是应用一个公式，而是找到最可信的嫌疑人——即最能解释证据，同时本身也是一幅“合理”的图像。
这整套哲学被封装在一个单一的数学实体中：目标函数 。你可以把它看作一个“可信度得分”。对于任何候选图像 ，函数 会给出一个数字，告诉我们这幅图像有多“差”。迭代算法的目标是找到使该得分最小化的图像 。
这种方法的精妙之处在于目标函数的构造方式。它不仅仅是一个数字，而是对两种相互竞争的期望的仔细权衡，由两个不同的项体现：
数据保真项 ：该项回答了侦探的第一个问题：“故事是否与证据相符？”它衡量我们收集到的实际测量值 () 与我们当前候选图像 () 本应产生的“合成”测量值之间的差异。 项代表了我们对扫描仪的物理模型——将图像转换为正弦图的正向投影。一个较小的数据保真项意味着我们的候选图像能很好地解释测量值。
正则化项 ：该项回答了第二个问题：“这是一个可信的故事吗？”它编码了我们关于真实世界图像样貌的先验知识。例如，我们知道解剖结构不是由随机的静电噪声构成的；它们有平滑的区域和清晰的边缘。正则化项对看起来“不符合物理规律”或“不太可能”的图像（例如噪声过多的图像）施加惩罚。参数 是一个我们可以调节的旋钮，用以控制我们对先验知识与拟合数据之间的重视程度。
这个框架非常强大。它将重建从一个刚性的计算转变为一个灵活的优化和推断过程，使我们能够将对物理学和统计学最深刻的理解直接构建到该过程中。
当我们审视数据保真项的定义方式时，迭代重建的真正威力开始显现。FBP隐含地假设测量中的噪声是简单的、行为良好的且与信号无关的。但物理学告诉我们一个不同的故事。
CT探测器通过计算单个光子来工作。这是一个基本的量子过程，其统计特性不是由我们熟悉的钟形曲线（高斯分布）描述，而是由泊松分布（Poisson distribution）描述。泊松分布的一个关键特征是方差（衡量不确定性或“噪声水平”的指标）等于均值。这意味着光子计数非常少的测量（例如X射线穿过致密骨骼）比光子计数多的测量具有更高的内在不确定性。
统计迭代重建将这一物理事实直接构建到其数据保真项中。它不使用简单的平方差，而是使用泊松模型的负对数似然。由此产生的CT数据保真项如下所示：
其中， 是射线 的测量光子计数，而 是由候选图像 预测的该射线的期望光子计数。你无需是统计学家也能领会其中的美妙之处。该算法现在自动知道要更多地信任高计数测量值，而不是低计数测量值。这对于低剂量成像来说是革命性的，因为在低剂量成像中，我们为了减少患者辐射暴露而故意使用更少的光子。虽然FBP会因由此产生的噪声数据而陷入困境，但统计迭代方法却能优雅地处理它，因为它精确地知道哪些证据是可靠的，哪些是可疑的。
如果说数据保真是为了拟合证据，那么正则化就是为了防止算法“过拟合”噪声。由于我们的数据充满噪声且不完整，可能存在无数与测量值完美匹配但毫无意义的图像。正则化项 就像一只引导之手，引导解避开这些充满噪声的陷阱，走向一个物理上合理的解。
正则化器的选择反映了我们对图像的信念。让我们来看两个流行的例子：
二次平滑：一个常见的选择是惩罚相邻像素之间的平方差，例如 。这个正则化器偏爱平滑的图像，并对像素值的大幅跳变施加重罚。其效果就像用砂纸打磨图像；它在平滑噪声方面做得很好，但也有磨平尖锐边角的倾向，模糊了我们恰恰想要看到的边缘。
总变分（TV）：一个更复杂的选择是惩罚差异的绝对值之和，类似于 。从平方惩罚到绝对值惩罚的这一细微变化带来了深远的影响。TV正则化器完全允许大的、孤立的跳变（锐利边缘）存在，因为它对它们的惩罚是线性的。然而，它强烈抑制了作为噪声特征的小范围、普遍存在的振荡。结果是神奇的：TV正则化可以在去除噪声的同时保留解剖结构的清晰边缘，从而得到既干净又锐利的图像。
好了，我们有了一个定义“最佳”图像的目标函数。但我们如何找到它呢？所有可能图像的空间是天文数字般的浩瀚。我们不可能一一检查。相反，我们进行一场迭代之舞。
想象你被蒙住眼睛，置身于一片丘陵地带，你的任务是找到最低山谷的谷底。一个好的策略是感受脚下地面的坡度，然后朝下坡方向迈出一步。你重复这个过程——感受坡度，迈出一步——你将逐渐走向谷底。
迭代算法的运作方式完全相同。我们从一个初始猜测的图像 开始（也许只是一个灰色区域）。然后，在每一步，我们计算目标函数的“坡度”，在数学上即为其梯度 。梯度指向最陡峭的上升方向，所以要下坡，我们在相反的方向上迈出一小步：
其中 是我们在第 次迭代时的图像， 是一个小的步长。
这里又出现了一个美妙的统一时刻。当我们计算数据保真项的梯度时，一个熟悉的操作奇迹般地出现了：反投影。梯度计算涉及到获取当前的“误差”——测量数据与我们当前图像预测值之间的差异——并将其反投影回图像空间。这张反投影的误差图精确地告诉算法如何调整像素值以减少误差。更新步骤是一个美妙的反馈循环：正向投影以查看我们做得如何，计算误差，然后反投影误差以知道如何改进。事实证明，即使是简单的反投影本身，也只是从一张空白图像开始的这样一个梯度下降过程的第一步。其他算法，如历史上重要的代数重建技术（ART），可以看作是这种舞蹈的一个巧妙变体，它不是一次性根据所有线索来迈步，而是一次调整我们的图像以满足一个线索（一个测量方程）。
到目前为止，我们方程中的扫描仪模型，即算子 ，一直是一个相当简单的几何投影。但是，如果我们能构建一个更精确的模型——一个扫描仪真正的“数字孪生”——并将其整合到我们的重建中呢？这就是最先进的IR形式，即基于模型的迭代重建（MBIR）的核心思想。
MBIR的理念是解释并从而在计算上逆转成像系统已知的物理缺陷。正向模型 不再仅仅模拟理想的线积分，而是可以扩展以包含大量现实世界的物理因素：
探测器模糊：真实的探测器元件不是无限小的点；它们有有限的尺寸，并且可能存在串扰，导致信号轻微模糊。这由点扩散函数（PSF）描述。通过在正向模型中包含PSF，算法可以有效地执行反卷积，从而在计算上锐化图像并恢复否则会丢失的分辨率 [@problem_D:4897166]。
多色X射线：CT扫描仪的X射线束不是单一能量（“颜色”），而是一个能谱。低能光子更容易被吸收，因此当光束穿过身体时，其平均能量增加或“硬化”。这种线束硬化效应违反了FBP的简单假设，并产生伪影，尤其是在骨骼或金属植入物附近。基于模型的方法可以模拟这种多色效应并校正其伪影。
散射：并非所有光子都沿直线传播。一些光子在患者体内像弹球一样散射，击中探测器的错误位置，产生降低图像对比度的低频雾状伪影。MBIR可以包含一个散射模型并减去其估计的贡献。
系统几何与归一化：MBIR可以使用扫描仪的精确几何描述，并考虑到并非所有探测器对都具有相同的灵敏度，这一校正称为归一化。
MBIR代表了一种范式转变。我们不再仅仅是解决一个反问题；我们是在重建循环内部进行复杂的物理模拟，以找到与我们对测量过程的完整理解最一致的身体图像。
这种方法论的深刻变化带来了最后一个至关重要的后果：它改变了最终图像中噪声的本质。
FBP图像中的噪声通常是细粒度、高频率的，类似于老式电视上的“椒盐”噪声。如果你看一个噪声像素，它几乎不会告诉你它的直接邻居是否也有噪声。噪声是不相关的，其功率广泛分布在所有空间频率上。
迭代重建通过其正则化器的作用，从根本上改变了这一点。正则化器惩罚高频噪声，有效地将其滤除。因此，残留的噪声更平滑、更相关，并集中在较低的空间频率。它具有一种“斑点状”或有时“塑料般”的外观。现在，如果一个像素由于噪声而具有稍高的值，它的邻居也可能稍高一些。这种正自相关是现代迭代方法的一个标志。
噪声纹理的这种变化不仅仅是一种美学上的奇特现象。它具有深远的意义。对于放射科医生来说，这需要一个适应期，以学会区分这种新形式的噪声与微妙的、低对比度的病理。对于新兴的影像组学领域，该领域旨在从图像中提取定量数据，噪声统计的这种变化至关重要。测量图像纹理的特征对噪声相关结构高度敏感，它们的值在FBP和IR之间可能会发生巨大变化，这是临床转化的一个主要挑战 [@problem_id:4532011, 4544313]。迭代重建为我们提供了噪声更少、更准确的图像，但它也要求我们学习一种新的视觉语言。
在了解了迭代重建的原理之后，我们可能会倾向于认为它只是一种巧妙但或许抽象的数学练习。但这样做就只见树木，不见森林了。这个思想的真正美妙之处，如同物理学中所有伟大的思想一样，不仅在于其形式上的优雅，更在于其改变我们世界的力量。迭代重建不仅仅是一种更好的算法；它是一个新的镜头，通过它我们可以观察世界，从我们身体的复杂运作到生命的基本构造。它让我们看得更清晰、更安全，在某些情况下，甚至能看到以前看不见的东西。
现在，让我们来探索这个充满可能性的新领域，看看迭代方法是如何从数学家的黑板上扩散到医院、生物实验室乃至更远的地方。
迭代重建最著名和最直接的影响是在临床实践中，尤其是在计算机断层扫描（CT）领域。CT的基本交易一直是一种浮士德式的交易：为了看到身体内部，我们必须将其暴露于电离辐射中。几十年来，规则很简单——剂量越低意味着X射线光子越少，这反过来又意味着图像“噪声”更大，就像在昏暗的房间里拍出的照片一样。放射科医生可能会因为一个细微的肿瘤淹没在量子噪声的统计雪花中而错过它。滤波反投影（FBP）尽管速度快、效果出色，但在这方面却毫不留情；它忠实地将噪声与信号一同放大。
迭代重建（IR）改变了游戏规则。通过构建噪声本身的统计模型，IR可以将其与真实信号区分开来。它能预见“雪花”并将其减去，不是用粗糙的滤波器，而是用对其特性的深刻理解。结果是惊人的。现在，一个影像科室可以故意通过降低X射线管的电压（）和电流（）来减少辐射剂量，并使用IR算法来清理由此产生的噪声数据。最终的图像可以达到与使用FBP重建的全剂量扫描相同的低噪声水平，但仅用了其中一小部分的辐射暴露。
这不仅仅是一项技术成就；它是一项深刻的伦理进步。在儿科成像中，辐射风险最大，这是一项道义上的责任。那些在统计学上设计用于处理极少光子的迭代方法，即统计或基于模型的迭代重建（SIR/MBIR），是使CT对最脆弱患者更安全的关键。
但优化可以更加智能。与其仅仅匹配噪声水平，如果我们能确保诊断任务本身得以保留呢？想象一下目标是在肺部发现一个小的、低对比度的病灶。我们可以定义一个“可探测性指数”来量化我们执行这项特定任务的能力。借助IR，我们可以设计一个新的方案，将剂量降低（比如说）25%，然后精确计算出IR算法所需的新采集参数（如管电流和扫描速度或螺距），以提供一个该病灶可探测性完全相同的图像。这是从创造漂亮的图片到设计诊断上最优图像的转变。
虽然降低剂量是其头号成就，但IR还提供了一个更深层次的优势：它通过解决FBP忽略的成像系统物理缺陷，产生了对现实更忠实的重建。
CT中的一个经典伪影是“线束硬化”。临床X射线管产生的是多色光束，即X射线能量的彩虹。当这束光穿过身体时，能量较低的“软”X射线比能量较高的“硬”X射线更容易被吸收。出来的光束比进去的要“硬”。FBP假设的是单能光束，它会被这种效应搞糊涂，并将均匀的物体（如颅骨内部或水模体）重建出一种特有的“杯状”伪影，使得中心看起来比边缘更暗。
基于模型的迭代算法可以通过将物理学直接纳入其前向模型来解决这个问题。它可以利用X射线管的能谱和不同材料的能量依赖性衰减知识来构建。通过这样做，算法可以预见线束硬化的非线性效应，并求解出真实的底层密度，从而从源头上消除杯状伪影。这就是按照世界本来的样子，而不是我们希望的样子来建模的力量。
同样的原理也让MBIR能够抑制其他有害的伪影，例如出现在致密骨骼或金属植入物附近的亮暗条纹，这些条纹是由于光子饥饿——即穿透的光子太少以至于信号完全不可靠——造成的。通过使用适当的统计模型，IR知道这些测量是不可靠的，并在最终重建中给予它们较小的权重。这在高分辨率成像中尤其关键，例如在耳部颞骨的微小、复杂结构的成像中，MBIR在低剂量下减少伪影同时保持锐利边缘的能力是革命性的。
这种卓越的图像质量直接影响了放射科医生的工作流程。使用噪声较低的IR图像，诊断医生可以在其显示器上使用更窄的“窗宽”。这类似于增加电视机上的对比度。它使健康肝脏和低密度病灶之间细微的灰度差异更加明显，增强了显示的对比噪声比，并可能提高诊断信心，而所有这些都不会被窄窗在FBP图像中会引起的放大噪声所淹没。有趣的是，许多IR算法也改变了噪声的纹理，使其看起来比FBP的细粒度噪声更柔和或更“斑驳”。这最初可能会让习惯于FBP的放射科医生感到不安，这是一个关于我们的感知和偏好如何与技术的客观改进相互作用的有趣例子。
也许迭代重建在智识上最令人满足的方面是发现其核心原理并不仅限于CT。它是一种解决某一类问题——“反问题”——的通用工具，这类问题在整个科学领域中反复出现。
考虑正电子发射断层扫描（PET），这是一种成像代谢功能而非解剖结构的模态。在现代3D PET扫描仪中，图像模糊的一个重要来源是“视差误差”，即伽马射线在厚探测器晶体内相互作用深度的不确定性。这种由点扩散函数（PSF）描述的模糊降低了分辨率。先进的迭代算法可以将这个PSF的模型整合到其系统矩阵中。这样做，它实际上在重建过程中执行了反卷积，“消除”了模糊并部分恢复了丢失的分辨率。恢复只是部分的，因为这个过程是一个微妙的权衡，需要通过正则化器来平衡，以对抗噪声的放大——这是任何测量中信号与噪声之间基本张力的一个美丽缩影。此外，IR的统计复杂性对于处理PET中复杂的背景信号（如“随机”符合事件）至关重要。迭代方法不是从数据中粗略地减去这个背景（一种统计上有缺陷的方法），而是可以将其作为附加项包含在前向模型中，从而得到更准确、更稳健的结果。
同样的想法从人体尺度缩小到分子水平。在冷冻电子断层扫描（cryo-ET）中，科学家们对冷冻的细胞进行成像，以观察分子的排列，例如神经元的突触结构。在这里，问题同样是从一系列2D投影重建一个3D体积。数学原理是相同的。就像在CT中一样，经典的重建方法会放大噪声，而像SIRT（同步迭代重建技术）这样的迭代技术可以抑制它。其背后的道理与问题的数学结构紧密相连：算法的早期迭代自然会重建物体的强、低频分量，而弱、高频细节（以及噪声）收敛得很慢。通过提早停止算法，人们可以获得一个正则化的、低噪声的解，代价是牺牲一些分辨率——这是一种有意的、受控的权衡。奇异值和正则化这些相同的基本概念可以解释脑部扫描和突触断层扫描中的图像质量，这证明了物理学和数学的统一力量。
这种整合先验知识的哲学催生了“压缩感知”的范式。经典的Shannon-Nyquist采样定理规定了用像FBP这样的线性算法完美重建一个物体所需的最小投影数量。但如果我们对我们的物体有更多的了解呢——例如，它主要由少数几个均匀区域组成？迭代算法可以利用这种先验知识作为约束（正则化器）。通过这样做，它可以用远少于经典极限所建议的投影数量生成高质量的图像，打破了旧规则，实现了更快的扫描甚至更低的剂量。
当然，一个出色的算法如果不能用于患者身上，那就毫无用处。将一种新的迭代重建方法引入临床实践需要经历严格的监管程序。例如，在美国，制造商必须向食品药品监督管理局（FDA）证明他们的新算法与一个已合法上市的“比对设备”（predicate device）“实质上等同”。这不仅需要描述其技术特性，还需要提供详尽的性能数据——模体测量和临床读片研究——以证明它同样安全有效，尤其是在声称能降低剂量时。这是科学、工程和公共政策的一个关键交汇点，确保创新与安全携手并进。
最后，当我们站在人工智能驱动的重建前沿时，需要一句警示。我们所讨论的基于模型的迭代方法之所以强大，是因为它们的模型——物理模型、统计模型——是透明的，并且建立在第一性原理之上。下一代基于深度学习（DL）的重建工具，则是从海量数据中学习其模型。虽然非常强大，但这些数据驱动的模型可能更不透明。如果一个DL算法主要在来自某一特定人群的数据上进行训练，它可能会学到偏见，导致它在另一人群上的表现不同，并可能在定量测量中引入系统性错误。一个旨在降低噪声的算法可能会无意中加剧医疗保健方面的不平等。这提醒我们，随着我们的模型变得越来越复杂，我们理解、验证和质疑它们的责任也变得越来越重要。
归根结底，迭代重建的故事是一场范式转变。它是一种从简单反演转向智能估计的转变。通过拥抱成像过程的全部复杂性——其物理、统计、不完美之处——我们获得了一种工具，它不仅使我们的图像更清晰、扫描更安全，还加深了我们对科学原理在广阔尺度范围内基本统一性的理解。