X光CT MRI超声PET医学影像模态原理

可视化演示

展示X光/CT/MRI/超声/PET五种医学影像模态的多维度对比与成像物理原理流程。

影像总览

你收到一只不能拆开的黑箱子，任务是在不破坏它的前提下摸清里面的状况。手电筒照出的影子能看轮廓，可轮廓叠在一起分不清前后；绕圈多拍几张再让聪明的朋友重建，能切层看；用磁铁感应水的分布能画出“水图”；喊话听回声能实时探路；塞一颗夜光糖进去，哪里“忙”哪里就亮。五种办法各有擅长，互相补位——这就是影像总览的第一课：没有万能工具，只有合适工具。

在医学里，这只黑箱就是人体。X光、CT、MRI、超声、PET五种模态，本质是五种不同的“物理探针”：用射线穿透、用电磁波共振、用声波反射、用放射性示踪。它们回答的问题不同：有的看结构，有的看功能，有的看代谢。初学者最容易犯的错，就是拿到什么数据就训什么模型，从不问“这个模态对这个问题敏不敏感”。

所有成像系统都包含四要素：信号源（向体内发射什么能量）、物理相互作用（能量与组织怎么反应）、检测器（接收什么回传信号）、重建算法（如何把信号变成图像）。按是否有电离辐射划分，X光、CT、PET有辐射需防护，MRI、超声无辐射可放心用；按成像维度划分，X光是投影叠加，CT、MRI、超声是断层切面，PET是功能代谢图。选型原则只有一条：让想问的病理问题恰好落在该模态最灵敏的信号上，否则AI再强也是“盲人摸象”。

$$\displaystyle \mathrm{CNR} = \frac{\left|\mu_{A}-\mu_{B}\right|}{\sigma}$$

1. 组织A的平均信号：图像中组织A的像素均值，比如肿瘤区域的平均灰度。

$$\mu_{A}$$

2. 组织B的平均信号：图像中组织B的像素均值，比如正常组织的平均灰度。

$$\mu_{B}$$

3. 差值的绝对值：两个均值相减再取绝对值，代表对比的强度。

$$\left|\mu_{A}-\mu_{B}\right|$$

4. 噪声标准差：图像中随机波动的程度，机器噪声越大，图像越“花”。

$$\sigma$$

5. 整体比值：把对比除以噪声，得到信噪水平；CNR大于3~5时，两组织才可靠可辨。

$$\frac{\left|\mu_{A}-\mu_{B}\right|}{\sigma}$$

回到黑箱：箱子里两种材料长得越像（对比差）、你的观察设备噪音越大，就越难分辨。先选对“偷看”工具，是整个医学影像AI工程的起点，也是影像科医生信任你的前提。

X光成像

拿手电筒从黑箱右侧照过去，左侧墙上投出影子。箱里的骨头硬，挡光多，影子白；软组织软，影子灰；空腔不挡光，影子黑。但前后两层骨头会叠成一个影子——这就是X光平片的本质：一张“被压扁”的投影图。便宜、快速、辐射低，是急诊和体检的第一道防线。

技术上，X光管阴极发射电子束撞击钨靶，产生高能X射线。射线穿过人体后，剩余强度被探测器（如今多为DR平板）接收。密度越高的组织，线性衰减系数μ越大，透过的射线越少，图像上就越白。骨头约150以上灰度，软组织居中，空气接近黑色。这张图的空间分辨率很高，能看清骨小梁纹理，但软组织的细微差别和前后重叠问题，限制了它的诊断深度。

$$\displaystyle I = I_{0}\, e^{-\mu x}$$

1. 入射强度：X光管射出的初始射线强度，相当于手电筒刚打开时的光量。

$$I_{0}$$

2. 线性衰减系数：材料每单位厚度“挡住”射线的能力，骨头大、空气小。

$$\mu$$

3. 穿透厚度：射线在人体内走过的路程长度，单位通常用厘米。

$$x$$

4. 指数衰减因子：剩余强度是入射强度乘以e的负指数次方，厚度翻倍并不是衰减减半，而是只剩原来的四分之一。

$$e^{-\mu x}$$

手电筒的影子便宜快速，但“叠影”让深层细节糊成一片。骨折、气胸、肺炎排查、牙科和异物定位，X光都能胜任；可一旦想看清某个层面内部，就得绕圈拍照——这就轮到CT登场。

CT断层

手电筒不够用，因为影子全叠在一起。于是你围着黑箱转一圈，每转一点拍一张影子，最后把几百张影子交给一个聪明的朋友，他能反推出箱内每一小格的“挡光能力”，再切成一张张薄片——这就是CT。它回答了X光答不了的问题：某个深度、某个位置，到底是什么密度。

CT球管与探测器阵列同步绕人体旋转，做螺旋扫描，采集数百个角度的投影数据。重建算法（滤波反投影或迭代重建）利用投影几何，反解出每个体素的衰减系数μ。关键一步，是把μ换算成标准化的CT值（亨氏单位HU），让不同机器、不同时间的图像拥有统一的“物理标尺”。这也是CT与X光最本质的区别：X光灰度只是相对亮度，CT值是绝对物理量。

$$\displaystyle \mathrm{HU} = 1000 \times \frac{\mu - \mu_{\text{water}}}{\mu_{\text{water}}}$$

1. 组织衰减系数：目标组织（如肌肉、肿瘤）的线性衰减系数。

$$\mu$$

2. 水的衰减系数：水的线性衰减系数，作为全身的“标尺零点”。

$$\mu_{\text{water}}$$

3. 归一化差值：组织与水之差除以水的值，表示组织“相对于水”的衰减能力。

$$\frac{\mu - \mu_{\text{water}}}{\mu_{\text{water}}}$$

4. 放大一千倍：乘1000把小数变成易读的整数刻度。

$$1000 \times$$

绕圈拍影子再重建切片，代价是吃了更多电离辐射。CT特别适合颅脑出血、肺小结节、腹部肿瘤分期等需要“切层看”的场景，但必须遵守“辐射剂量尽可能低”（ALARA原则），孕妇儿童更要慎用。

MRI磁共振

黑箱里其实装满了无数微型罗盘——每个水分子里的氢质子都在自旋，像一个个小磁针。MRI的办法是：用一个巨型磁铁把小磁针全部排成同一个方向，然后突然松开，小磁针带着各自的节奏转回原位。转得快的组织和转得慢的组织“嗒嗒”声不同，机器把这些声音按位置画成图，就是含水量分布图。

人体约60%到70%是水，氢质子极为丰富。主磁场B₀把氢质子磁化对齐，射频脉冲（RF）把它们“掰”倒并使其同步绕B₀进动。关闭RF后，质子弛豫恢复平衡，两个时间常数描述这个过程：T1是纵向恢复的快慢，T2是横向衰减的快慢。通过调节脉冲序列参数（TR、TE），医生可以得到T1加权、T2加权、质子密度加权等不同对比图像，让不同病灶“显形”。

$$\displaystyle f = \gamma B_{0}$$

1. 旋磁比：氢质子的固有属性，约42.6 MHz/T，决定它对磁场有多“敏感”。

$$\gamma$$

2. 主磁场强度：MRI机器产生的静磁场，临床常用1.5T或3.0T，越大信号越强。

$$B_{0}$$

3. 共振频率：旋磁比与场强相乘，得到氢质子的进动频率；射频脉冲必须“踩准”这个频率才能产生共振。

$$\gamma B_{0}$$

磁铁摆弄罗盘、听回弹节奏，画出别家看不到的“水图”。MRI对脑灰白质、椎间盘、关节软骨、韧带等软组织的对比度冠绝五种模态，且无电离辐射；但扫描慢、噪音大，体内有起搏器或金属植入物者严禁进入强磁场。

超声成像

蝙蝠在黑箱里怎么认路？大喊一声，听回声。超声也一样：探头贴在箱壁，向里发一记“喊声”，声波遇到隔间会弹回来，回声回来的早晚反映距离，强弱反映界面两侧“软硬差”。而且这是实时直播，没有辐射，机器还能推着走。

压电晶体受电激励振动，产生1到15MHz的高频声波。声波在组织间传播，遇到声阻抗突变的界面（如软组织与骨骼、软组织与液体）会部分反射回探头。探头按“发射—等待回声—再发射”的脉冲回波方式工作，用回声到达时间计算深度，灰阶亮度代表回声强度：液体无回声呈黑色，结石和骨骼强回声呈白色，后方常跟着一片“声影”。

$$\displaystyle f_{d} = \frac{2\, v\, f_{0} \cos\theta}{c}$$

1. 血流速度：红细胞沿血管流动的速度，是我们要测的目标。

$$v$$

2. 发射频率：探头发出的超声波原始频率。

$$f_{0}$$

3. 夹角余弦：声束与血流方向的夹角，夹角越大测速误差越大，超过60度基本不可靠。

$$\cos\theta$$

4. 声速：超声波在人体软组织中的传播速度，约1540 m/s。

$$c$$

5. 往返因子2：声波去和回走了两趟，频移翻倍，所以分子有系数2。

$$\frac{2\, v\, f_{0} \cos\theta}{c}$$

喊话听回声是五种方式里唯一能“实时直播”的，适合心脏瓣膜动态、胎儿检查、腹部实质脏器和穿刺引导；但气体和骨骼会强烈反射声波，导致深部出现盲区，所以含气肺和颅骨之内基本是超声的“禁区”。

PET代谢

想知道黑箱里哪个角落最“忙”？塞一颗裹着夜光涂料的糖进去，忙的地方消耗糖多，夜光就越亮。关灯拍照，亮斑就是“高耗能”区域。PET不回答“哪里长了什么”，而是回答“哪里在疯狂干活”——这种功能信息，是X光、CT、MRI、超声都给不了的。

注射用正电子核素（如¹⁸F）标记的葡萄糖类似物FDG。肿瘤、炎症等代谢旺盛的细胞大量摄取FDG，并在细胞内滞留。核素发生β⁺衰变放出正电子，正电子遇到组织中的电子即湮灭，产生一对方向相反、能量各511keV的伽马光子。PET探测器环用“符合探测”同时捕获这两个光子，从而精确定位湮灭发生的位置。PET空间分辨率约4到6毫米，低于CT，所以临床上几乎总是与CT或MRI融合成像（PET-CT、PET-MRI），用CT给代谢亮斑提供“解剖地址”。

$$\displaystyle \mathrm{SUV} = \frac{A}{D / m}$$

1. 组织放射性活度：病灶区域测得的放射性浓度，单位常用Bq/mL。

$$A$$

2. 注射剂量：静脉注入的示踪剂总放射性活度。

$$D$$

3. 体重归一：剂量除以体重，消除胖瘦对药物分布的稀释影响。

$$D / m$$

4. 整体比值：病灶活度与全身平均活度的比值，SUV大于2.5常被经验性地提示恶性倾向，但炎症也可升高。

$$\frac{A}{D / m}$$

夜光糖标记的是“忙不忙”，不能代替“在哪里、长什么样”。PET最擅长肿瘤分期、疗效评估、心肌存活判断和癫痫灶定位，但AI做PET分析时一定要记住：功能图必须与解剖图配准融合，否则亮斑落不到正确的器官上。

AI影像要点

五张“偷看”报告格式各不相同：X光是一张压扁的影子照片，CT是一堆带物理单位的数字，MRI是相对信号强度，超声是8bit黑白回声图，PET是“亮度=代谢”。把它们直接倒进同一个AI模型，就像把人民币、美元、日元直接相加——数值大不代表东西多，模型只会学出幻觉。

不同模态的预处理规范差异极大：CT必须用窗宽窗位（肺窗、软组织窗、骨窗）或保留HU单位做归一化；MRI信号无绝对标尺，通常做z-score标准化，且不能套用窗宽窗位；超声要去噪、增强边界，注意探头深度标尺；PET常用SUV或对数变换。空间分辨率不同，还需要重采样统一体素间距（比如1×1×1mm³）再做配准。标注规则要按模态可见的征象来定：肺结节在CT上标，钙化在CT或X光上才可见，超声只能标声窗内的结构。多模态融合时，CT的解剖信息加PET的代谢信息互补，而配准质量直接决定融合效果。

$$\displaystyle g = 255 \times \frac{v - \left(WL - \frac{WW}{2}\right)}{WW}$$

1. 原始CT值：体素原始的HU数值，比如肺窗要看-1200到-400的范围。

$$v$$

2. 窗位：窗口的中心CT值，决定观察重点放在哪个密度段。

$$WL$$

3. 窗宽：窗口覆盖的CT值范围，窗宽越小对比越强。

$$WW$$

4. 窗口下限：窗位减半窗宽，得到可视范围的下边界。

$$WL - \frac{WW}{2}$$

5. 线性映射与截断：把窗口内的值拉伸到0到255，超出部分截断，保证显示稳定。

$$255 \times \frac{v - \left(WL - \frac{WW}{2}\right)}{WW}$$

把五种“偷看”方式的数据翻译成同一套“AI语言”，再谈诊断准确率。模态选错、预处理乱来、标注没按物理语义走，模型训练得再漂亮也是空中楼阁——这是医学影像AI从业者最该刻在工位上的提醒。

AI 应用场景

Python 演示

import numpy as npimport matplotlib.pyplot as plt  def make_phantom(size=128):    """构造简易腹部横断面CT体模: 空气-1000HU, 水0HU, 软组织+40HU, 骨+1000HU."""    y, x = np.mgrid[0:size, 0:size].astype(float)    c = size / 2.0    phantom = np.full((size, size), -1000.0)    body = (x - c) ** 2 + (y - c) ** 2 < (size * 0.32) ** 2    soft = (x - c) ** 2 + (y - c) ** 2 < (size * 0.14) ** 2    bone = ((x - c - 22) ** 2 + (y - c) ** 2 < (size * 0.1) ** 2) | \           ((x - c + 22) ** 2 + (y - c) ** 2 < (size * 0.1) ** 2)    phantom[body] = 0.0    phantom[soft] = 40.0    phantom[bone] = 1000.0    return phantom  def window_transform(hu_img, wl=40, ww=400):    """窗宽窗位映射: 把CT值线性映射到[0,255]灰度, 超出范围截断."""    lower = wl - ww / 2.0    upper = wl + ww / 2.0    gray = (hu_img - lower) / (upper - lower) * 255.0    return np.clip(gray, 0, 255)  def xray_projection(hu_img, mu_water=0.02):    """简化X光投影: 由CT值估算衰减系数, 沿y方向按比尔朗伯定律积分."""    mu = mu_water * (hu_img / 1000.0 + 1.0)    proj = np.exp(-mu.sum(axis=0))    return proj  if __name__ == "__main__":    phantom = make_phantom()    win_img = window_transform(phantom, wl=40, ww=400)    xray_img = xray_projection(phantom)     fig, axes = plt.subplots(1, 3, figsize=(15, 4))    axes[0].imshow(phantom, cmap="gray")    axes[0].set_title("CT值体模 (HU)")    axes[1].imshow(win_img, cmap="gray")    axes[1].set_title("窗宽窗位映射后")    axes[2].imshow(xray_img, cmap="gray", aspect="auto")    axes[2].set_title("X光投影 (比尔朗伯)")    plt.tight_layout()    plt.savefig("medical_imaging_demo.png", dpi=100)    print("演示图已保存: medical_imaging_demo.png")

1. phantom = np.full((size, size), -1000.0)背景全部填空气的CT值-1000HU，作为“黑箱”的默认状态。
2. phantom[body] = 0.0人体轮廓内填水的CT值0，模拟软组织的基础密度。
3. phantom[bone] = 1000.0两个圆形区域填骨的CT值+1000，骨是最“挡射线”的材料。
4. gray = (hu_img - lower) / (upper - lower) * 255.0窗宽窗位线性映射，把窗口内的HU拉伸到灰度区间。
5. np.clip(gray, 0, 255)超出窗范围的值截断为纯黑或纯白，模拟真实阅片屏的显示行为。
6. mu = mu_water * (hu_img / 1000.0 + 1.0)由HU反算线性衰减系数μ，空气归零、水为基准、骨翻倍。
7. proj = np.exp(-mu.sum(axis=0))沿穿透方向累加μ再取指数，对应X光投影公式I=I₀e^(−μx)。

常见误区

面试题