医学图像重建是CT、MRI、PET等医学影像设备的核心技术，它通过对设备采集到的投影信号、频域数据等原始信息进行处理，还原出人体内部组织的三维或二维结构图像，为临床诊断、疾病随访、手术规划提供关键依据。目前应用最广泛的四类重建算法各有优劣，适配不同的临床场景需求：

一、滤波反投影算法（Filtered Back Projection, FBP）
滤波反投影是最早实现临床落地的经典重建算法，核心理论基础是傅里叶切片定理：投影数据的一维傅里叶变换，等价于原始图像二维傅里叶变换过原点的对应角度切片。算法运行流程为先对不同角度的投影数据进行滤波处理，去除反投影过程中产生的模糊效应，再将滤波后的投影值沿着原投影方向反投到图像空间的对应位置，所有角度的反投影结果叠加后即可得到重建图像。
该算法的优势是逻辑简单、运算速度极快，无需复杂的算力支撑即可实现实时重建，在投影数据完整、辐射剂量充足的场景下成像质量稳定。但缺点也十分明显：对噪声和投影数据的完整性高度敏感，低剂量扫描或存在金属植入物、稀疏投影的场景下，极易出现条状伪影、金属伪影，图像对比度下降。目前该算法仍是常规DR、传统螺旋CT等基础影像设备的主流重建方案。

二、迭代重建算法（Iterative Reconstruction, IR）
迭代重建算法是为弥补FBP的低剂量场景缺陷发展而来的技术，分为代数迭代和统计迭代两大类。其核心逻辑是先假设一个初始的待重建图像，通过正投影模拟得到该图像对应的理论投影数据，再将理论投影与设备实际采集的真实投影进行误差比对，根据误差值反向修正初始图像，反复迭代上述步骤直到误差低于预设阈值，输出最终图像。
相较于FBP，迭代重建的抗噪能力更强，可在辐射剂量降低30%-50%的前提下保持与常规剂量FBP相当的成像质量，同时能有效抑制金属伪影、稀疏投影伪影。早期受限于算力，迭代重建耗时较长，随着GPU加速技术的普及，目前已广泛应用于低剂量CT、牙科CBCT、PET成像等场景，尤其适配儿科检查、肺癌筛查等需要严格控制辐射剂量的临床需求。

三、压缩感知重建算法（Compressed Sensing, CS）
压缩感知重建是突破传统采样理论限制的新型重建技术，尤其适配MRI这类成像速度较慢的模态。其核心理论是：只要待重建的图像信号本身是稀疏的，或者可以在某个变换域（如小波域、梯度域）呈现稀疏性，就可以用远低于奈奎斯特采样率的采集数据，通过非线性优化算法精确还原出原始图像。在MRI场景中，该算法通过稀疏采集k空间数据，大幅减少采样时间。
压缩感知重建的最大优势是能在不明显损失图像质量的前提下缩短成像时间，比如心脏动态MRI的扫描时间可从传统的10分钟以上压缩至1-2分钟，大幅降低了患者的憋气难度，也减少了运动伪影的产生。其缺点是对信号稀疏度要求较高，若待成像结构复杂、稀疏度不足，容易出现混叠伪影，同时采样轨迹的设计也会直接影响重建效果。目前该算法已成为快速MRI、功能MRI、动态关节成像的核心技术之一。

四、深度学习重建算法（Deep Learning Reconstruction, DLR）
深度学习重建是近年人工智能技术与医学影像交叉融合的产物，核心逻辑是利用海量的高质量临床图像、配对的低质量投影/低质量重建图像作为数据集，训练神经网络学习从低质量输入到高清图像的映射关系，推理阶段仅需将采集到的原始数据输入训练好的网络，即可在极短时间内输出重建结果，常用的网络架构包括U-Net、视觉Transformer等。
该算法兼顾了成像速度和图像质量：重建速度接近FBP，远快于传统迭代算法，同时可在超低剂量、超稀疏采样的场景下还原出精细的组织细节，有效抑制各类伪影。目前该技术的局限性在于可解释性较差、跨设备跨人群的泛化能力有待提升，若训练集中未覆盖罕见病例或特殊结构，可能出现错误的重建伪影，临床落地需要严格的监管验证。目前新一代CT、MRI设备已逐步搭载商用化的深度学习重建方案，在冠脉成像、神经成像等领域表现出突出优势。

整体来看，四类算法的发展脉络始终围绕“更低辐射/更快扫描、更高成像质量”的临床需求演进，当前临床应用中也越来越多地采用多算法融合的方案，比如压缩感知与深度学习结合、迭代重建与深度学习结合等，未来随着算力的进一步提升和算法的持续优化，医学图像重建将进一步推动精准诊疗的发展。

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。