医学影像是现代临床诊疗的核心支撑技术，CT、磁共振（MRI）、正电子发射断层显像（PET）等不同模态的扫描设备，采集到的初始数据多是无法直接用于诊断的投影信号或频域数据，图像重建正是将这类原始数据转换为可读临床影像的核心环节，其性能直接决定了影像的信噪比、细节分辨率，也关系到扫描的辐射剂量、成像速度等核心指标。经过数十年的发展，医学影像图像重建方法已经形成了传统方法与AI驱动方法并行发展的技术体系。

传统重建方法主要分为解析法与迭代法两大类。解析法的代表是滤波反投影（FBP），其核心逻辑基于傅里叶切片定理：将不同角度采集到的投影数据转换到频域，经过特定滤波核去除高频噪声后，再反投影回二维或三维空间域，直接生成重建图像。FBP的优势是计算速度快、逻辑完全可解释，是临床常规CT最经典的重建方案，至今仍在大量基层医院的设备中使用；但它的缺陷也十分明显：必须依赖完整、高信噪比的投影数据，若为了降低辐射采用稀疏角度扫描或低剂量扫描，重建结果会出现严重的条纹伪影与噪声，难以满足诊断要求。

迭代重建（IR）是另一类传统主流方案，它的核心思路是建立投影过程的物理模型，反复迭代对比“模拟投影值”与实际采集的原始投影值的误差，不断修正图像像素值直到误差收敛到阈值范围内。代表性算法包括适用于稀疏投影的代数重建技术（ART）、广泛应用于PET成像的有序子集期望最大化（OSEM）等。相比FBP，迭代重建对低剂量、稀疏投影数据的适配性更强，能有效抑制伪影，在低剂量CT、PET成像中应用十分广泛；但它的劣势在于计算复杂度高、重建速度慢，且参数调试高度依赖人工经验，早期受硬件算力限制难以大规模普及，直到近年GPU算力提升后才逐渐成为临床常规选项。

近年来，随着深度学习技术的发展，数据驱动的医学影像重建方法成为行业研究热点，主要分为两类技术路径：一类是后处理式重建，即先通过传统方法生成带有噪声、伪影的初步重建图像，再利用U-Net、生成对抗网络（GAN）等深度学习模型实现去噪、去伪影的优化，这类方案不需要修改设备原有的重建流程，部署门槛低，目前已经在低剂量CT、动态MRI的临床研究中得到验证，但容易出现微小病灶被误判为噪声去除的问题，存在诊断风险。另一类是端到端重建，即将原始投影数据直接输入网络，通过投影域-图像域双域联合建模，直接输出符合诊断要求的最终影像，这类方案能最大化利用原始数据的隐藏信息，在仅用1/10常规辐射剂量的情况下，就能生成与常规剂量FBP重建质量相当的影像，能大幅降低患者的辐射暴露风险，但目前仍存在可解释性不足、跨设备泛化性差的问题，尚未大规模进入临床常规使用。

当前，医学影像重建方法的发展正向着“物理与数据融合、多模态协同、轻量化落地”的方向演进：一方面，研究者将传统重建的物理约束嵌入深度学习网络结构，既保留AI方法的高成像质量，也提升了模型的可解释性，符合临床诊疗的可信性要求；另一方面，针对PET-CT、PET-MR等多模态联合扫描设备，利用不同模态的互补信息同步重建多组影像，能同时降低不同模态的扫描要求、提升成像质量；此外，面向急诊、基层医疗场景的轻量化重建模型也在快速发展，通过模型压缩技术将重建算法部署在设备边缘端，可实现扫描后秒级出图，适配床旁诊断、野外急救等特殊场景的需求。

从滤波反投影到AI驱动的智能重建，医学影像重建技术的演进始终围绕“更低的患者伤害、更快的成像速度、更高的诊断价值”三个核心目标推进，未来随着技术的持续成熟，更高效、更安全的重建方法将进一步推动精准诊疗的普及，为更多患者带来临床获益。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。