Non Sire, c'est une Révolution!丨不，陛下，这是一场革命！

1、这不是暴乱，这是一场革命！

往往卷入历史之中的普通人都难以察觉即将到来的变革，但即便贵为帝国的国王也同样如此。1789年，在路易十六   [2]   如往常一样打猎归来准备休憩的时候，听到了来自利扬古公爵的消息：巴士底狱落入了巴黎叛乱分子之手。路易十六轻描淡写的问道："Mais c'est une révolte ?"。与其他诸多历史时刻一样，路易十六得到了一句未来会被反复被提及的回答：Non,Sire, c’est une revolution[1]。

1.1 巴士底狱[3]并不是一座监狱，它是一座军火库   

法国大革命奠定了革命老区的传统，它发生的地点：巴士底狱，并不是一座监狱。而是一座军火库。历史总是惊人的相似，秦二世暴政遇到“王侯将相，宁有种乎”，遂揭竿而起[4]；波旁王朝遇到“天赋人权，三权分立”[5]。点燃了欧洲的这座军火库。统治者以为固若金汤的堡垒，顷刻瓦解。究其原因，一言蔽之：肉食者鄙，未能远谋。颠覆性创新都是破坏性[6]的，它的发生并不会以人的意志为转移。

1.2 为颠覆性创新做好准备

未能觉察这个事实，也许最根本的原因就是一直处于高位而未能自省。在市场活动中，这也是大型企业应该避免的，这也是为什么大型企业需要持续关注科技创新和中低端市场。市场头部的竞争往往是回合制，谁也不可能消灭谁，但是来自高性价比的中低端市场的对手，未来可能出现的颠覆性创新赛道，都有可能让市场头部的企业轰然倒塌。

1.3 创新者的窘境 

时至今日，我们已经习惯了能有机器能轻松实现人体的三维透视和重建。面对黑白灰阶组成的图像，尽管生成这些数据的CT型号，扫描参数，重建参数各不相同。但是从未有人问过：这些图像之间存在差异吗？究竟什么样的参数才是最接近真实物理世界的数据呢？要系统反省这些问题是一个巨大的工程，孔子说：吾日三省吾身；苏格拉底说：智慧需要自省。我们能感受到人类更高意识形态的思考多有相合。我们是否可以从技术发展的路径出发，窥探一下在更先进的基础技术平台，这些差异是否会被新的基础理论消除呢？本文将主要聚焦于CT的探测器系统。

2、CT扫描仪的探测系统[7]  

探测器是CT的眼睛，早在1903年 William Crookes[8]首次采用ZnS闪烁体观察到了晶体对X射线转换现象，这与Philips用于DLCT的ZnSe性质是一致的，用于感知转换低能级的X射线。这是一个伟大的发现，此后工程师尝试了气态和晶态的各种材料，最后选择了两种主要的材料，其一是GARNET type 或称石榴石，GE称为Gemstone宝石；其二是GOS闪烁陶瓷，其中有对其工艺改进的成为UFC材料。这些发现极大提升了CT的性能，但是，时至今日，CT的眼睛依旧蒙着一层迷雾。  

2.1 传统CT的反思

2.1.1 非直接X射线成像

传统CT探测器是无法直接识别穿透人体的X射线的，需要依托闪烁体把X射线转换为可见光，最后由CT光电二极管识别。可见光就是传统CT眼睛的那层迷雾。

2.1.2 荧光石  

这个过程与我们小时候玩的荧光石很相似，只不过荧光石的转换时间很漫长，在白天吸收了足够的阳光，晚上，我们就可以看到荧光石转换的弱光了。虽然发光，但这已经不是太阳的光亮了，它丢失了太阳光的信息。

2.1.3 HU值偏移[9]

这样的过程，这层迷雾对于CT的影响是直接的，由于转换效率的问题，我们可以看到传统的可见光尺度的EID探测器CT在不同的光强下（剂量），获得的HU值是不稳定的，是不断偏移的。而X射线尺度PCD探测器CT则表现得很稳定。  

2.1.4 基准噪声[10] 

同时，由于是间接成像，传统的可见光尺度的EID探测器CT也无法了解到探测器材料内部的基准噪声，这一噪声集中在20-25kev。GE和西门子的团队先后都对这一问题进行过公开讲解。   

2.2 探测器材质[11] 

根据上海硅酸盐研究所网站的信息，我们能知道晶体材料的主要作用是进行射线的能量转换。在传统CT领域，主要是将X射线转换为可见光。以便于光电二极管识别转换为电信号。

2.2.1 惰性气体探测器

早期的CT探测器也曾采用过惰性气体来实现X射线的能量转换。这一原理与日常生活的日光灯是一致的。

气态分子对于光子的捕获效率高达87%[12]；但是现代晶体材料却有着接近100%光子捕获率。

2.2.2 非对称晶体GOS 

这是目前主流的材料。

2.2.3 立方对称石榴石

此材料工艺相对昂贵，目前制备工艺主要被GE healthcare掌握。 

2.2.4 UFC

飞利浦，西门子，佳能都采用了改良的GOS 材料，命名为UFC。

2.3 算法的极限

对于CT算法，从数学上有两类问题：

其一是forward model 问题，即将object通过CT扫描仪转换为projection data，为正弦形式的数据。这个物理过程通常受到X射线的光谱，焦点的分布，探测器的响应特性决定。尽管这个过程极其重要，但是由于复杂的物理特性，很少厂家会从算法上考虑这些因素对图像的影响，这一过程也是第三代迭代算法的核心特征。

其二是inverse问题，即将projection data重建为image。这是绝大多数厂家考虑并实践的过程。重建（reconstruction）或者实践中的（analytic reconstruction）就是最常用的filtered back projection算法。在inverse问题范畴内，关于迭代算法iterative的核心思路就是采用正确的算法，猜测（guess）正确的投射数据（correct projection）。

显而易见，即使是依据最朴素的直觉，也能知道这两类问题的对应方法存在诸多漏洞，因为无论是用那种方法，总会遗漏object的真实物理信息。 

2.4 迭代算法分类    

2.4.1第一代迭代边缘降噪Edge-preserving noise reduction (in one domain) 

2.4.2第二代迭代统计学模型降噪Iterative recon including model of data statistics 

2.4.3第三代迭代forward model 多模型降噪Iterative recon modeling statistics and physics 

2.4.4深度学习不是新的武林秘籍

迭代算法是值得肯定的实践，但不是本文的重点。

深度学习是最近十年兴起的新的算法开发工具，由于其端到端的开发模式，极大降低了复杂算法的开发门槛，开发者需要提供的只有输入端的数据源和目标数据源。这些数据会被转换为N*N的矩阵，在提供的模型中不断迭代，是的，你没看错，深度学习也是通过迭代的方式以便能获得一个模型，只要在程序入口提供输入端数据，经过这个模型的转换，就能得到一个最大程度接近目标数据源的矩阵数据。这种全新的算法能否突破迭代算法的限制呢？我们就可以考察一下几种主流的模型是如何工作的。

2.4.4.1CNN卷积网络[13]  

最基本的4 层Layer卷积网络，通过卷积视野28*28（通常小于input 的矩阵32*32）在横向连接上不断提取input的特征，最后在FC全连接层做出预测，CNN的问题是layer之间丢失了时间连续性，即layer1与layer3之间的关联被layer2截断了。为了解决这一问题，提出了RNN神经网络。

2.4.4.2 RNN递归神经网络[14]

以上为3层layer的RNN递归神经网络，layer之间传递的不再是卷积最小二乘法pooling池化后的特征均值，而是layer之间的纵向连接，t-1时刻在layer1内部隐藏层的输出，会作为t时刻layer2的输入，以此类推，直到获得最终的state。但是这种结果是理想化的，RNN的layer有所不同，每一层的输出为隐藏层，是可能存在无任何输出的可能，这样RNN也就无法迭代循环下去，这也是RNN最致命的缺点，无法处理长时记忆数据，针对此，会有改良的LTSM网络，但是本质上都存在梯度消失或者爆炸的缺陷。

2.4.4.3Tansformer和self attention[15]

由传统CNN和RNN都存在把元素单独孤立输入的问题，会存在全局视野障碍和长时序列障碍。Tansformer的创新在于输入的Embedding编码，直接将位置和时间信息融合到一个新的输入矩阵之中。

尽管无从考察深度学习对于图像本质的提升有多少，但是就其结构而言，并未创造出不存在的信息，其作用过程仍旧作用于inverse过程，缺失了Forward model的信息。

TrueFidelity[16]  CT扫描仪究竟是如何把object转换为projection data呢？正如之前的描述，这是极其复杂的，GE的做法是输入源直接采用forward model原始数据。按照路径，该模型理论上会包含forward model和inverse的所有信息，并在深度学习的加持下，相对于传统算法会有更精细的表现。

AiCE[17]  AICE的路径则稍有不同，虽然采用scanner model，但是这显然是处理过的数据，并非原始的Forward model。因此该模型本质是一个精细化的inverse深度学习改进算法。   

AIIR[18]

FDA尚未批准AIIR技术，根据其对应的技术白皮书所陈述的处理过程为迭代算法路径，具体深度学习实现方法尚不清楚。在2021年申请的一项图像专利[19]中有部分相关描述，可以作为参考。   

2.5 图像质量标准  

CT图像的评价只能通过间接的手段，分为主观评价和客观评价，主观评价差异较大，暂不讨论，常规的客观评价方法如标准差SD，CNR或SNR等，都是选定特定的ROI（region of intrest）很难反应全局的噪声情况。我们这里着重考察noise power spectrum (NPS)。 

2.5.1 NPS  

对比传统的迭代算法，GE的低剂量深度学习算法与标准剂量FBP图像的NPS曲线十分接近。从整体上，深度学习确实更精确的消除了噪声。

2.5.2 信道极限计算

算法永远存在一个极限，这个极限就是存在于数据之中，数据的边界也即算法的边界。只要是基于Forward model和inverse设计的算法，无论是传统工程实现或者新的深度学习方法，都会遇到降低图像噪声的同时损失如肝脏小病灶的密度对比度问题[20]。在后续的讨论中我们将会知道，这不是算法本身的问题，这是来自传统CT系统探测性能精度的问题。   

2.5.3阿伦

图灵：可计算的宇宙

参考光学的标定方法Modulation Transfer Function[21] （以下简称MTF），MTF使用的是黑白逐渐过渡的线条标板，通过镜头进行投影。被测量的结果是反差的还原情况。如果所得影像的反差和测试标板完全一样，则MTF值为100%（1），这是理想的最佳镜头。若反差为一半，则MTF值为50%，数值0表示渐变黑白线条被还原为单一的灰色。这种将CT系统类比为光学镜片组的简化模型其实并不可靠，正如之前提到的，CT的成像包含两类问题，或者至少两个过程，即object到projection data的Forward model，如果是镜片组，这一步已经获得了最终的可观测图像。对于CT，还需要projection data 到image的inverse reconstruction。因此镜片组中的MTF100%或0%并不适用于CT系统，国际上一般采用MTF10-50%（IEC，2004）评估CT的探测能力，CT的实际可探测信道极限问题实际上可以参考通讯行业的一个公式：

显而易见，从object到projection到image。把CT看作从object到image的信息传递通信系统更加贴切。这一前提下，CT的性能主要由B 采样率和S/N信噪比两个指标决定。

从object到image的传递效率看似是一个工程测量问题，实际上是一个数学极限问题，是一个该过程是否可计算的问题。尽管图灵设计了无限内存的图灵机和完备的符号集合体系，但是正如我们今天遇到的问题，算法是有极限的，符号数据的边界就是算法的极限。

2.6 硬件尺度决定算法的极限

尽管图灵没有系统论述如何提升图灵机的可计算尺度问题，但是就人类目前的进展，我们可以简单评估一下如何提升图灵机的可计算尺度。 

2.6.1解决好的方面 

2.6.1.1 J22超高速风洞 

全球唯一的超高音速激波风洞，让我们获得了钱学森弹道的高超音速导弹计算结果。  

2.6.1.2 电磁兼容暗室

大型的电磁兼容暗室让我们获得了五代机的电磁匿踪数据。

2.6.2 解决欠佳的方面

2.6.2.1 流体力学

尽管与空气动力学相似，但是由于无法建造超高速风动这样的硬件，流体力学依旧需要艰难地依靠数学算法或者极其昂贵的计算硬件模拟。

2.6.2.2地震预警

地球尺度或者超大规模的地质模型超出了人类现有的工程能力和意愿。  

2.6.3 高能粒子物理学的启示

这个领域，使得人们意识到，想要通过计算获得答案，必须提升图灵机的可计算尺度。最直接的方式就是建造大型粒子碰撞机。

2.6.3.1 理查德费曼（Richard Phillips Feynman[22]）：只有量子计算机才能模拟量子

来自美国的物理学家，诺贝尔物理学奖的科学家费曼则更加直接，当我们进入量子的尺度，依靠电子管或晶体管的元器件是无法模拟的，只有量子计算机才能模拟量子。  

2.6.3.2 只有直接X射线成像才能计算光子的信息

对于CT的启示也同样如此，全新的半导体光子计数CT将会把传统CT可见光尺度的成像提升到直接X射线成像的水平，CT诞生的50年，我们终于在工程上直接实现了X射线的成像。这将在本质上颠覆CT的可计算尺度极限。  

3 半导体光子计数CT  毫无疑问，尽管一些市场头部公司和一些新兴公司声称即将上市半导体型的光子计数CT，但是西门子医疗显然是领先一步。  

3.1 直接转换 

通过碲化镉CdTe材料，x射线将不再需要被传统晶体转换为可见光，而是直接被半导体转换成了能量层析数据，在Forward model 过程中，光子计数CT获得的高质量多维度能量层析projection data无疑会开启一个实现CT能量空间自由成像新的时代。  

3.2 更短的响应时间

半导体更快的闪烁响应速度是显而易见的，但是这并不等于我们可以无限提升CT系统的B（采样率）。 

3.2.1 石榴石30ns[23] 

需要指出的是，尽管采用的是传统晶体材料，但是GE healthcare提供的GEMSTONE材料在晶体材料中的性能是领先的。其原因是GEMSTONE采用的是立方对称结构[24]，更易于实现透明化。 

3.2.2 响应时间材料对比 

3.2.2.1传统GOS CT 10 微秒[25] 

传统CT的材料响应时间需要达到10-30us。  

3.2.2.2 硅[26]30ksps 

GE healthcare正在研发中的深硅半导体材料理论响应速度可以达到30ksps（合0.033us）,实际上与GE的Gemstone保持一致。   

3.2.2.3 碲化镉[27]50ksps

碲化镉在在实验室获得的最快响应速度是50ksps（合0.02us/20ns），相对于此前的UFC材料，可以说是巨大的提升。   

3.3 致命的短板：AD转换的瓶颈10k sps[28] 

探测器材料的响应速度并不等于探测器的响应速度，探测器的响应速度取决于AD转换电路的效率，就目前为止，用于CT的AD电路转换率在10ksps（10000hz），与可能存在的计算重建资源一样，这限制了CT探测器的极限性能。

3.4 西门子半导体量子探测器10ns[29]   

实验室的数据也许只能作为一个参考，根据西门子公开披露的资料，碲化镉的实际响应时间可达到10ns。高于实验室数据。

3.5 采样率

即使材料有更好的性能，但是AD电路限制了CT的极限性能，我们可以看看实际的CT系统采样率：

3.5.1 GE-gemsone：8914hz

GE的宝石探测器是目前单系统采样率最高的。

3.5.2 Siemens-CdTe：5376hz

根据西门子公开的专利，两套AD系统采用的是一套时钟系统，因此西门子的实际采样率应该为10752hz，理论上已达到AD电路的容量上限，这个模式只在UHR模式采用，而Force的4200hz*2则无这些限制。 

3.5.3 Philips-ZnSe&GOS：4800hz，与西门子类似，飞利浦的AD实际采样率为9600hz 

3.5.4 Cannon-GOS：2910hz。 

4 历史的统一 

4.1 1973-2023

1973年，Hounsfield通过air，water，bone定义了HU值[30]。此后的半个世纪，我们发现了HU作为单一指标，其实并不可靠，我们引入能量CT，试图通过更多的参数来印证诊断。但是由于各种设备型号，实现方式，重建参数的差异。我们提出了1.3的问题：这些图像之间存在差异吗?  是的：这些图像之间存在差异。 

哪一种参数是最接近object真实物理信息的呢？

量子重建：回归起点，能量空间的HU值得到了统一，所有的病灶都值得重新标定。

4.2 主要差距  

4.2.1 传统可见光尺度EID探测器与X射线直接成像PCD探测器的性能差异主要在80kev以下的能量空间是EID无法触及的尺度，EID的CT是无法通过算法弥补的。在这个尺度，有此前无法认识到的20-25kev基准噪声（见2.1.4）和EID无法响应的数据精度（见2.5.2）。  

4.2.2 突破CT成像尺度

4.2.2.1 66ms物理能量时间分辨率

4.2.2.2 CTA数据下的钙化积分，物质本源分离

4.2.2.3 X射线直接成像：110μm超高分辨率

真正的变革往往难以察觉，仿佛十年前冬天，就在一夜之间街上就再没有键盘的智能手机，人手一部大屏触控智能手机，让互联网这个原本用于美国国防先进研究计划局（DARPA）[31]信息管理的庞然巨物装进了人们口袋里。  

当解读隐藏在X射线之中的完整信息不再需要特殊的科研手段，而变成随手可及的一次扫描。挡在CT眼睛的那层迷雾已被揭开，CT新的时代已经开启。   5 起青草之微末兮，化狂飙以骋太宇[32]  5.1 普朗克[33]（Max Planck）的质疑！    

你能相信这是同一个人吗？

普朗克是为人类打开量子世界的天才，他的博士论文《Zur Theorie des Gesetzes der Energieverteilung im Normalspectrum》[34]更是以最简单的形式：为宇宙指明了方向，熵增原理。  

正是这样一位比肩爱因斯坦，牛顿的天才。才能用极致简洁的思路发问：是否存在一个方程，可以描述世间万物？当然，这样的问题，目前尚无人能够回答。但是流传于那个时代的一句话：面对宇宙的考验，最好的回答都被写在了上帝的笔记本上。   5.2 万物之始，大道至简，衍化至繁[35]  

简单意味着可靠，某种程度上也更接近宇宙的真相。CT扫描本不需要那么多额外的技术概念，尤其是那些被包装的市场概念混淆其中，让人乱花渐欲迷人眼。正如我们经历过的，存储硬盘，数据接口，操作系统，智能手机，甚至新能源汽车行业，在技术发展的最终阶段，所有产品都呈现了简洁一致的特性。  

基础理论决定一切：“成吉思汗的骑兵，攻击速度与20世纪的装甲部队相当；北宋的床弩，射程达一千五百米，与20世纪的狙击步枪差不多；但这些仍不过是古代的骑兵与弓弩而已，不可能与现代力量抗衡。基础理论决定一切，未来史学派清楚地看到了这一点。  

即使无法与人类历史群星闪耀的科学时刻相比：站在巨人肩膀的爵士俯身拾起真理海边的贝壳；爱好小提琴的专利审查员发现时空的琴弦；被“黑体辐射”折磨的天才发现宇宙居然是一份一份的交换能量。从经典时空到广义时空，再到普朗克尺度的量子世界，人类认知的基础理论每突破一个尺度，我们都将获得全新的世界地图，等待人类探索。

或许，螺旋CT也许走到了这样的历史时刻：回归CT起点的HU值，在能量空间找到了恒定的坐标。这是一个终结，也是一个开始。

世人只知大唐诗仙思凡超逸，浪漫纯真，却很少知道英年早逝的诗鬼李贺：  

黑云压城城欲摧，甲光向日金鳞开    

大漠沙如雪，燕山月似钩    

黄尘清水三山下，更变千年走入马    

男儿何不带吴钩，收取关山五十州。    

他的诗不仅想象诡谲，更是比诗仙多一分厚重，正如他对于命运的反抗，似乎是早知天命。他无意中留下了那半句绝对：天若有情天亦老。

后世有人对答：月如无垠月常圆；世间原只无情好。虽然工整，却少一点格局。或许是不知诗鬼并非在论人之常情。直到千年之后。他说：人间正道是沧桑。

人类历史上真正的革命者，不会自我怀疑，不会停留革命的第一阶段，会坚定的将革命进行到底，直至彻底胜利。

Oui, c’est une révolution。  

参考文献：

[1]https://www.histoire-en-citations.fr/citations/rochefoucauld-louis-xvi-mais-c-est-une-revolte-non-sire  

[2]https://www.writework.com/essay/french-revolution-extent-louis-xvi-responsible-revolution  

[3]巴士底狱（法国巴黎的一座要塞）_百度百科 (baidu.com)  

[4]揭竿而起（汉语成语）_百度百科 (baidu.com)  

[5]法国大革命 - 搜狗百科 (sogou.com)  

[6]What Is Disruptive Innovation? (hbr.org)  

[7]State of the Art of CT Detectors and Sources: A Literature Review  

[8]William Crookes - Wikipedia (iwiki.icu)  

[9]Low-dose lung cancer screening with photon-counting CT: a feasibility study  

[10]Spectral Imaging Dual-Energy, Multi-Energy and Photon-Counting CT，P77  

[11]闪烁陶瓷----中国科学院上海硅酸盐研究所 (cas.cn)  

[12]It's All About CT Detectors (atlantisworldwide.com)  

[13]卷积神经网络（CNN）基础及经典模型介绍 - 知乎 (zhihu.com)  

[14]动画图解循环神经网络- 知乎 (zhihu.com)  

[15]Transformer模型详解（图解最完整版）- 知乎 (zhihu.com)  

[16]A new era of image reconstruction: TrueFidelity Technical white paper on deep learning image reconstruction  

[17]Advanced intelligent Clear-IQ Engine (AiCE) Deep Learning Reconstruction: Whole organ coverage with extraordinary image  

quality at the fast pace of medicine  

[18]https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices  

[19]SYSTEM AND METHOD FOR COMPUTED Tomographic IMAGING  

[20]State of the Art in Abdominal CT: The Limits of Iterative Reconstruction Algorithms  

[21]Optical transfer function - Wikipedia (iwiki.icu)  

[22]Richard Feynman - Wikipedia (iwiki.icu)  

[23]Gemstone – The Ultimate Scintillator for Computed Tomography  

[24]闪烁陶瓷----中国科学院上海硅酸盐研究所 (cas.cn)  

[25]State of the Art of CT Detectors and Sources: A Literature Review  

[26]Si-PIN X-Ray Detectors – Amptek – X-Ray Detectors and Electronics  

[27]CdTe X-Ray – Gamma Ray Detector – Amptek – X-Ray Detectors and Electronics  

[28]State of the Art of CT Detectors and Sources: A Literature Review  

[29]NAEOTOM Alpha with Quantum Technology Whitepaper: The technology behind photon-counting CT  

[30]Computerized transverse axial scanning (tomography): Part I. Description of system  

[31]DARPA：美国科技引擎- 知乎 (zhihu.com)  

[32]西晋文学家陆机《文赋》  

[33]Max Planck - Wikipedia (iwiki.icu)  

[34]Zur Theorie des Gesetzes der Energieverteilung im Normalspectrum  

[35]老子《道德经》

仅供专业人士交流目的，不用于商业用途。

2023年7月X日

打赏