2.3 PET/US：衰减校正与降噪
本节作为“重建前处理”的补充：用 PET 的衰减校正（attenuation correction） 串起功能成像的定量逻辑，同时概览 超声的噪声/伪像与降噪。
说明：这里先把“为什么要做、做什么、怎么评估”讲清楚；工程实现与更深入推导会在后续迭代补全。
2.3.1 PET：为什么必须做衰减校正？
PET 的 γ 光子在体内传播会被组织吸收/散射，导致探测到的符合事件减少：
- 不校正：深部结构会“偏暗”，SUV 等定量指标会系统性偏低
- 校正后：不同体位/不同个体之间可比性更强，也更利于纵向随访
常见策略：
- PET-CT：用 CT 生成 μ-map（线性衰减系数图），并进行能量映射/尺度变换
- PET-MRI：通过分割/atlas/UTE 等方式估计 μ-map（更具挑战）
2.3.2 PET：衰减校正与重建的关系
工程上通常把它看成重建管线中的一个“必要输入”：
- 输入：投影/符合计数（sinogram / list-mode）、系统矩阵、μ-map（或其等价表示）
- 输出：校正后的定量图像（SUV、动态参数等）
同时别忘了：衰减校正只是定量的一部分，常见还包括散射校正、随机符合校正、死时间校正、归一化等。
2.3.3 超声：噪声与伪像（为什么看起来“糙”）
超声图像常见现象：
- 散斑噪声（speckle）：相干成像导致的颗粒感
- 阴影/增强：强反射或低衰减区域引起的能量分布变化
- 混响（reverberation）：多次反射导致的条纹
- 折射/旁瓣：几何与波束特性带来的伪像
这些会影响：边界定位、分割稳定性、以及下游定量测量（例如血流谱参数）。
2.3.4 超声：降噪的基本思路
- 传统滤波：中值、各向异性扩散、双边滤波等（在保边与平滑之间权衡）
- 模型/学习方法：自监督去噪、扩散模型、针对 speckle 的特定损失与增强策略
在第5章（深度学习后处理）会结合具体任务（分割/分类）讨论“降噪是否真的有益”，以及如何避免“把病灶也抹掉”。
2.3.5 推荐阅读与下一步
- PET 物理与定量：先把“衰减→定量偏差→校正”这条因果链吃透
- 第1章模态回顾：
- PET/SPECT：
/guide/ch01/01-modalities/05-pet - 超声：
/guide/ch01/01-modalities/04-ultrasound
- PET/SPECT：
- 第4章实战：后续会在 case study 里把一个“带指标评估”的小流程跑通（PSNR/SSIM 见
4.4）