从“什么是X射线？”到“让我们训练一个神经网络”

我们从基础知识入手：高水平的X射线物理学、关键组件（射线源、探测器、几何布局），以及CT与二维成像的区别。对于一个15岁的学生来说，这些内容远超普通学校课程的范围——因此，我们采用直观、实用的教学方式，并结合具体实例进行讲解。
随后便进行了实验。

“糖与盐”CT挑战赛

我们在FF35CT 上扫描了一个简单的样本：一根塑料吸管，一半装满糖，另一半装满盐。在原始投影图像中，差异已经显而易见：富含碳的糖与密度更高的 NaCl 形成对比。有趣的是，当我们彻底摇晃吸管使颗粒混合后，情况发生了变化。在二维图像中，这种混合物变得难以区分——仅在边缘处还残留着些许痕迹。

在重建的3D体中，分离在概念上虽然更容易……但仍然并非易事。 

为什么仅靠阈值处理还不够

一个简单的阈值就能对盐进行相当不错的分割，但对糖来说就难得多：

• 糖的信号较弱，部分与空气信号混杂，并存在轻微的束硬化伪影
• 此外，还有一些强度相似的塑料微粒，导致分割结果出现混淆

因此，我们已经超越了手动分割的阶段。

教人工智能完成这项工作

我们使用Dragonfly 3D World中的分割向导训练了一个神经网络来对体积数据进行分类。我们迭代了标签策略：

1. 盐与糖，将“塑料/颗粒/空气”作为第三类
2. 然后通过将塑料和颗粒进一步划分为不同的类别，对分类结果进行进一步优化

最终成果确实令人印象深刻——尤其是考虑到时间紧迫以及这位实习生的年龄。（这些视觉效果本身就说明了一切）

关于速度与细节的实用建议

为了加快迭代速度并确保工作流程顺畅，我们在扫描时采用了2×2像素合并，随后在重建的体积中又应用了2×2×2像素合并。这就是为什么某些表面看起来有些阶梯状——但为了加快学习和实验进程，这是值得的权衡。

主要要点： 

我最享受的是看到，当学生们接到有意义的任务——真正的工具、真实的问题、切实的成果——时，他们的热情会迅速高涨。将X光/CT与AI分割和机器学习相结合，让这次实习变得远比“在别人身旁旁观”更有吸引力。

接下来：我们还探讨了第二个主题——利用3D打印和CT技术进行偏差（实测数据与CAD数据对比）分析。我将在后续的博客中分享相关内容。