X光片是身体投射出的影子：探测器记录的是有多少辐射穿过了组织。图像上的每个点都汇总了整条射线路径上的衰减，因此深度信息会不可逆地丢失。即使只拍摄两张不同角度的片子，问题仍然是欠定的：存在无穷多个三维密度分布，它们会产生完全相同的投影。经典方法通过正则化和先验假设来解决这个问题，但往往以模糊的边界和伪影为代价。
正是在这里，LiftXR 应运而生——这是一种新方法，它提出将复杂任务分解为两个更简单的子任务：确定解剖结构在空间中的位置，以及它们在强度上是什么。该方法不是直接寻找唯一的体数据场，而是先构建一个粗略的几何图谱，然后根据X光数据对其进行细化。
为什么深度信息不足
要理解这个问题，需要回顾一下物理原理：射线会随着路径上组织密度的增加而成比例地衰减。最终信号是一个积分，没有附加条件就无法从中还原出被积函数。双平面摄影从另一个角度增加了第二张图像，但即使是一对投影也无法唯一地重建三维分布。从数学上讲，这个问题属于不适定问题：输入中的微小误差会导致解的巨大偏差，而且许多不同的体积会产生同一组投影。因此，需要额外的约束或提示。
在哪里和是什么：重建的两个问题
LiftXR 的核心思想是分离“在哪里”和“是什么”这两个问题。第一个问题涉及器官的空间位置：肺、骨骼、软组织在哪里？第二个问题是它们对应的衰减值是多少，即某个区域有多致密。如果同时解决这两个问题，它们会相互干扰，算法可能会将几何误差与强度误差混为一谈。如果先构建一个解剖“骨架”——一个粗略的三维结构位置图谱——那么后续的强度重建就有了参照。
这是如何运作的
LiftXR 方法由三个模块协同构成。第一个模块——layout lifter——根据一对X光片生成三维解剖图谱。该图谱定义了各区域的空间边界，但不包含精确的强度值。第二个模块——intensity renderer——以该图谱为条件，重建出完整的CT体积，为每个区域填充合适的衰减值。第三个模块——anatomical parser——处理已生成的体积：它分析边界和强度信号，细化初始的layout，并将细化后的版本反馈回去，以校正强度填充过程。这种反馈机制使几何信息和强度数据能够相互适应。
实验与结果
作者在两个公开数据集上验证了该方法。与近期重建方法的比较表明，LiftXR 在标准指标上能获得更精确的CT图像。但更重要的是，重建出的体积更适合后续的器官自动分割，即包含更少的解剖畸变。这意味着，分离几何与强度不仅能产生漂亮的图像，还能切实改善具有临床意义的任务。
结论
总之，LiftXR 证明了将问题分解为空间结构和强度是有限投影重建的一条有前景的路径。这种方法降低了不确定性，并能生成适用于进一步分析的断层图像。作者计划公开代码，这将有助于复现和进一步的实验。
