范汝诗1. Shepp-Logan头模型概述
Shepp-Logan头模型是CT成像领域最经典的仿真模型之一，由Larry Shepp和Ben Logan于1974年提出。这个数学模型通过10个椭圆叠加来模拟人脑横截面，每个椭圆代表不同密度的脑组织区域。在CT重建算法研究中，它就像"Hello World"对于编程初学者一样基础且重要。
我第一次接触这个模型是在研究生阶段的医学图像处理课上。当时教授让我们用Matlab实现这个模型时，我完全没意识到这个看似简单的椭圆组合会成为日后研究CT重建算法的基石。直到后来参与实际CT设备研发时，才发现几乎所有论文和产品测试都离不开这个经典模型。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 模型数学原理详解
2.1 椭圆参数定义
Shepp-Logan模型由10个参数化椭圆组成，每个椭圆用6个参数定义：
- (a,b)：椭圆长短轴长度
- (x0,y0)：椭圆中心坐标
- α：旋转角度（弧度）
- ρ：密度值（反映X射线衰减系数）
完整参数表如下（单位：模型尺寸归一化为[-1,1]×[-1,1]）：
| 椭圆编号 | 长轴a | 短轴b | 中心x | 中心y | 旋转角α | 密度ρ |
|---|---|---|---|---|---|---|
| 1 | 0.69 | 0.92 | 0 | 0 | 0 | 2.0 |
| 2 | 0.6624 | 0.874 | 0 | -0.018 | 0 | -0.98 |
| 3 | 0.11 | 0.31 | 0.22 | 0 | -18° | -0.02 |
| ... | ... | ... | ... | ... | ... | ... |
注意：原论文中第4-10个椭圆模拟的是脑室等细小结构，实际应用中可根据需要简化
2.2 密度场计算
模型任意点(x,y)的密度值是所有椭圆在该点的叠加：
code复制f(x,y) = Σ ρ_k · I_k(x,y)
其中I_k是指示函数，当(x,y)在第k个椭圆内时为1，否则为0。
在Matlab中实现时，判断点是否在旋转椭圆内的公式为：
matlab复制function inside = isInEllipse(x,y,a,b,x0,y0,alpha)
x_rot = (x-x0)*cos(alpha) + (y-y0)*sin(alpha);
y_rot = -(x-x0)*sin(alpha) + (y-y0)*cos(alpha);
inside = (x_rot/a)^2 + (y_rot/b)^2 <= 1;
end
3. Matlab实现详解
3.1 基础实现代码
matlab复制function phantom = shepp_logan(n)
% 初始化512x512图像矩阵
phantom = zeros(n);
% 定义模型参数 [a b x0 y0 alpha rho]
params = [0.69 0.92 0 0 0 2;
0.6624 0.874 0 -0.018 0 -0.98;
0.11 0.31 0.22 0 -18 -0.02;
... ];
% 生成坐标网格
x = linspace(-1,1,n);
[X,Y] = meshgrid(x);
% 叠加所有椭圆
for k = 1:size(params,1)
a = params(k,1); b = params(k,2);
x0 = params(k,3); y0 = params(k,4);
alpha = params(k,5)*pi/180;
rho = params(k,6);
% 旋转后的坐标
X_rot = (X-x0)*cos(alpha) + (Y-y0)*sin(alpha);
Y_rot = -(X-x0)*sin(alpha) + (Y-y0)*cos(alpha);
% 椭圆内区域赋值
idx = (X_rot/a).^2 + (Y_rot/b).^2 <= 1;
phantom(idx) = phantom(idx) + rho;
end
end
3.2 可视化技巧
- 优化显示效果：
matlab复制img = shepp_logan(512);
imshow(img, [min(img(:)) max(img(:))]);
colormap(gray); colorbar;
- 3D可视化（需要Image Processing Toolbox）：
matlab复制sliceViewer(img);
- 提取轮廓线：
matlab复制contour(img, 'LineWidth', 1.5);
实操心得：显示时建议将窗宽(window width)设为2.0，窗位(window level)设为0，这样能清晰显示所有组织对比。
4. C++实现方案
4.1 基础实现
cpp复制#include <vector>
#include <cmath>
struct EllipseParam {
double a, b, x0, y0, alpha, rho;
};
std::vector<std::vector<double>> generateSheppLogan(int size) {
std::vector<EllipseParam> params = {
{0.69, 0.92, 0, 0, 0, 2.0},
{0.6624, 0.874, 0, -0.018, 0, -0.98},
// ... 其他椭圆参数
};
std::vector<std::vector<double>> image(size, std::vector<double>(size, 0.0));
double step = 2.0 / (size - 1);
for (int i = 0; i < size; ++i) {
double y = -1.0 + i * step;
for (int j = 0; j < size; ++j) {
double x = -1.0 + j * step;
for (const auto& ell : params) {
double x_rot = (x - ell.x0) * cos(ell.alpha)
+ (y - ell.y0) * sin(ell.alpha);
double y_rot = -(x - ell.x0) * sin(ell.alpha)
+ (y - ell.y0) * cos(ell.alpha);
if ((x_rot/ell.a)*(x_rot/ell.a) + (y_rot/ell.b)*(y_rot/ell.b) <= 1) {
image[i][j] += ell.rho;
}
}
}
}
return image;
}
4.2 性能优化技巧
- 并行计算：使用OpenMP加速
cpp复制#pragma omp parallel for
for (int i = 0; i < size; ++i) {
// ... 内部循环代码
}
-
内存预分配：提前分配好vector大小避免动态扩容
-
查表法：预先计算sin/cos值减少重复计算
5. 应用场景与扩展
5.1 CT重建算法验证
Shepp-Logan模型最常见的用途是测试CT重建算法。典型流程：
- 生成模型图像 → 2. 计算投影数据（Radon变换）→ 3. 添加噪声 → 4. 应用重建算法 → 5. 评估重建质量
评估指标示例：
matlab复制% 计算PSNR
psnr_val = psnr(recon_img, original_img);
% 计算SSIM
ssim_val = ssim(recon_img, original_img);
5.2 模型变体
-
Modified Shepp-Logan：调整密度值使对比度更接近真实CT
matlab复制modified_rho = [1.0 -0.8 -0.2 -0.2 0.1 0.1 0.1 0.1 0.1 0.1]; -
3D扩展：将椭圆推广为椭球体，生成三维头部模型
-
动态模型：通过改变椭圆参数模拟心脏跳动等动态过程
6. 常见问题与解决方案
6.1 图像边缘锯齿严重
- 原因：采样率不足（矩阵尺寸太小）
- 解决：增大n值（至少512），或使用抗锯齿技术：
matlab复制img_large = shepp_logan(4*n); img_smooth = imresize(img_large, 0.25);
6.2 C++版本运行慢
- 排查步骤：
- 检查是否开启编译器优化（-O2或-O3）
- 使用性能分析工具（如gprof）定位热点
- 考虑使用GPU加速（CUDA实现）
6.3 与商业软件结果不一致
- 可能差异点：
- 椭圆参数版本不同（原始版vs修改版）
- 坐标系定义差异（原点位置、y轴方向）
- 插值方法不同（最近邻vs双线性）
7. 进阶应用示例
7.1 投影数据生成
matlab复制theta = 0:179; % 投影角度
R = radon(shepp_logan(512), theta);
imshow(R, [], 'XData', theta, 'YData', -255:256, 'InitialMagnification', 'fit');
xlabel('角度'); ylabel('传感器位置');
7.2 滤波反投影重建
matlab复制% 生成投影
P = radon(shepp_logan(512), 0:179);
% 重建
filter = 'Ram-Lak'; % 也可选'Shepp-Logan','Cosine'
recon = iradon(P, 0:179, 'linear', filter, 1, 512);
% 显示对比
imshowpair(shepp_logan(512), recon, 'montage');
7.3 添加噪声模拟
matlab复制% 添加泊松噪声
noisy_img = imnoise(img, 'poisson');
% 添加高斯噪声
noisy_img = imnoise(img, 'gaussian', 0, 0.01);
在实现这些代码时，我发现一个有趣的现象：当投影角度少于60个时，重建图像会出现明显的星状伪影。这让我更深刻地理解了Nyquist采样定理在CT成像中的体现——理论上需要π×D×N/2个投影（D是探测器宽度，N是图像尺寸）才能获得良好重建。