PyTorch实战：构建可微分的CT正反投影模块（FP/FBP）

1. CT正反投影模块的核心价值

在医学影像处理领域，CT图像重建是个经典问题。传统方法里，正投影（Forward Projection, FP）和反投影（Back Projection, FBP）是两个关键步骤。简单来说，正投影就是把3D物体"拍扁"成2D投影数据的过程，就像我们用X光拍片；反投影则是反过来，从多个角度的投影数据重建出3D图像。

但传统方法有个大问题：它们是不可微分的黑盒子。这意味着当我们想把它们嵌入到深度学习网络里时，梯度没法顺利传播。想象一下，你在搭积木，但中间有几块积木是胶水粘死的，没法调整——这就是传统FP/FBP在神经网络里的处境。

PyTorch的自动微分机制给了我们新思路。通过用PyTorch重新实现这些模块，我们能让梯度自由流动，让整个系统可以端到端训练。我在实际项目中发现，这种可微分模块特别适合用在像SIN（Sinogram Inpainting Network）这样的架构里，它能同时处理投影域和图像域的信息，大幅提升重建质量。

2. 正投影模块的PyTorch实现

2.1 旋转与插值的艺术

正投影的核心是旋转+累加。具体来说，就是把图像旋转到不同角度，然后沿一个方向求和。听起来简单，但用PyTorch实现时有几个坑要注意。

首先是旋转。PyTorch的grid_sample函数是我们的好朋友，它支持可微分的双线性插值。但要注意坐标系转换——CT图像通常以中心为原点，而PyTorch的网格坐标是归一化的[-1,1]。我踩过的坑是忘记调整坐标，结果图像旋转后位置偏移。

python复制def forward(self, x):
    sino = torch.zeros(self.batchSize, 1, self.chanNum, self.viewNum).cuda()
    
    for i in range(self.viewNum):
        angle = -math.pi + 2*math.pi*i/self.viewNum  # 均匀采样0-360度
        theta = torch.tensor([
            [math.cos(angle), -math.sin(angle), 0],
            [math.sin