💻 computer science

Representation Paradigms in AI-based 3D Radiological Image Reconstruction: A Systematic Review

Esta revisión sistemática clasifica los algoritmos de vanguardia de reconstrucción de imágenes radiológicas tridimensionales basados en inteligencia artificial en cuatro familias de representación, aclara sus interrelaciones y resume las métricas de evaluación, los conjuntos de datos, los desafíos y las direcciones futuras en el campo.

Autores originales: Yuezhe Yang, Lei Bi, Boyu Yang, Yaqian Wang, Yang He, Yige Peng, Zhe Jin, Xingbo Dong, Jinman Kim

Publicado 2026-04-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yuezhe Yang, Lei Bi, Boyu Yang, Yaqian Wang, Yang He, Yige Peng, Zhe Jin, Xingbo Dong, Jinman Kim

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando reconstruir un rompecabezas tridimensional de un cuerpo humano hecho añicos, pero solo tienes unas pocas piezas dispersas (las radiografías o las resonancias magnéticas) y algunas instrucciones borrosas. Este es el desafío diario de la reconstrucción de imágenes radiológicas en 3D. Los médicos necesitan una imagen tridimensional clara y completa para encontrar tumores o lesiones, pero obtener esa imagen suele significar exponer al paciente a mucha radiación o pasar horas dentro de un escáner.

Este artículo es un "mapa de ruta" de cómo la Inteligencia Artificial (IA) está aprendiendo a resolver este rompecabezas más rápido y de forma más segura. En lugar de simplemente listar cada nueva herramienta de IA, los autores organizan estas herramientas en cuatro familias distintas, basándose en cómo "piensan" sobre la imagen tridimensional que están construyendo.

Aquí tienes un desglose sencillo de las cuatro familias, utilizando analogías cotidianas:

1. La Familia de la Rejilla Discreta (El "Mosaico Pixelado")

Cómo funciona: Imagina una gigantesca rejilla tridimensional de pequeños ladrillos de Lego rígidos. El trabajo de la IA es pintar un color en cada ladrillo individual para construir la imagen.
La visión del artículo: Este es el método más común y directo. Es como tomar una fotografía y simplemente hacerla tridimensional. Es fácil de construir y funciona bien con el equipamiento hospitalario existente.
El inconveniente: Como depende de ladrillos fijos, si miras la imagen desde un ángulo extraño, podrías ver artefactos en forma de "escalera" donde los ladrillos no se alinean perfectamente. Es excelente para vistas estándar, pero puede tener dificultades con superficies suaves y curvas.

2. La Familia de la Expansión de Bases Explícitas (La "Mezcla de Pintura Suave")

Cómo funciona: En lugar de ladrillos rígidos, imagina que la IA utiliza un conjunto de "muestras de pintura" matemáticas y suaves (como nubes o masas suaves) que mezcla entre sí. No pinta cada punto individual; simplemente decide cuánto de cada "muestra" utilizar.
La visión del artículo: Esto es popular en las tomografías por emisión de positrones (PET), que rastrean trazadores radiactivos. Es más flexible que los ladrillos de Lego porque la "pintura" puede mezclarse suavemente, reduciendo el aspecto dentado.
El inconveniente: Todavía tienes que calcular la receta para cada "muestra" individual, lo cual puede volverse complicado y lento si la imagen es enorme.

3. La Familia de los Primitivos Explícitos (Las "Nubes Flotantes")

Cómo funciona: Este es el enfoque más nuevo y de moda. Imagina que el objeto tridimensional no está hecho de ladrillos ni de pintura, sino de miles de pequeños globos brillantes y flotantes (primitivos gaussianos). La IA coloca estos globos donde están las partes del cuerpo y ajusta su tamaño, forma y color.
La visión del artículo: Esto es un cambio de juego para la velocidad. Como la IA solo coloca globos donde se necesitan, puede renderizar imágenes increíblemente rápido, casi como un videojuego. Es excelente para datos dispersos (cuando tienes muy pocas radiografías).
El inconveniente: Es más difícil de configurar. Tienes que enseñarle a la IA exactamente cómo colocar y dar forma a estos "globos" correctamente, lo cual requiere entrenamiento especializado.

4. La Familia Neural Implícita (La "Fórmula Mágica")

Cómo funciona: En lugar de almacenar la imagen como ladrillos, pintura o globos, la IA aprende una sola fórmula matemática mágica. Si le preguntas a la fórmula: "¿Cómo se ve el cuerpo en esta coordenada específica?", calcula la respuesta instantáneamente. Es como tener una receta que puede hornear un pastel de cualquier tamaño sin necesidad de un molde preelaborado.
La visión del artículo: Esta es la familia más flexible. Crea imágenes perfectamente suaves y continuas que se ven muy naturales, incluso a partir de muy pocos escaneos. Un subtipo famoso aquí es NeRF (Campos de Radiancia Neural), que es excelente para crear vistas 3D a partir de radiografías 2D.
El inconveniente: Es computacionalmente pesado. La "fórmula mágica" tarda mucho en aprender y requiere mucha potencia informática para ejecutarse. Además, es una "caja negra": sabemos que funciona, pero es difícil explicar por qué eligió una forma específica.

El Panorama General: Lo que el Artículo Encontró

Los autores compararon estas cuatro familias como un juez en un concurso de talentos, evaluando cinco criterios:

Eficacia: ¿Qué tan buena es la imagen? (La Neural Implícita gana aquí).
Eficiencia: ¿Qué tan rápido es? (El Primitivo Explícito gana aquí).
Adaptabilidad: ¿Puede funcionar en diferentes partes del cuerpo o máquinas? (La Rejilla Discreta gana aquí).
Simplicidad: ¿Es fácil de construir? (La Rejilla Discreta gana aquí).
Interpretabilidad: ¿Podemos entender cómo funciona? (Las matemáticas tradicionales ganan aquí; la IA sigue siendo un poco misteriosa).

La Conclusión:
No existe una única IA "mejor".

Si necesitas velocidad y resultados en tiempo real, la familia de Primitivos (globos) es la estrella.
Si necesitas suavidad y alto detalle a partir de muy pocos escaneos, la familia Implícita (fórmula) es la campeona.
Si necesitas algo confiable que se adapte a los sistemas hospitalarios actuales, la familia de la Rejilla (Lego) es el caballo de trabajo.

El artículo argumenta que el futuro no se trata de elegir a un solo ganador, sino de mezclar estos enfoques: utilizando la velocidad de los globos con la suavidad de las fórmulas, para crear imágenes médicas que sean rápidas, baratas y seguras para los pacientes.

A continuación se presenta un resumen técnico detallado del artículo "Paradigmas de Representación en la Reconstrucción de Imágenes Radiológicas 3D Basada en IA: Una Revisión Sistemática".

1. Planteamiento del Problema

La imagenología radiológica (TC, RM, PET, SPECT, Ultrasonido) es crítica para el diagnóstico clínico, pero los métodos de reconstrucción tradicionales enfrentan desafíos significativos:

Escasez de Datos y Ruido: Las restricciones clínicas a menudo conducen a adquisiciones de baja dosis, con vistas escasas o submuestreadas, resultando en datos ruidosos o incompletos.
Limitaciones de los Métodos Basados en Física: Los métodos analíticos tradicionales (por ejemplo, Retroproyección Filtrada) y los métodos iterativos (por ejemplo, OSEM) son sensibles al ruido, a las discrepancias en el modelado y a los datos faltantes.
Limitaciones de la IA: Si bien el aprendizaje profundo (CNNs, Transformers, GANs, modelos de Difusión) ha mejorado la reconstrucción, las revisiones existentes suelen centrarse en arquitecturas de red específicas o modalidades de imagen. Existe una falta de un marco unificado que categorice los métodos basándose en cómo se parametriza el objetivo 3D (el paradigma de representación).
Barreras Clínicas: Los métodos actuales de IA luchan con la eficiencia computacional, la interpretabilidad y la garantía de fidelidad anatómica en volúmenes 3D complejos.

2. Metodología

Los autores realizaron una revisión sistemática de la literatura siguiendo las directrices PRISMA:

Fuentes de Datos: Web of Science, Google Scholar y Scopus.
Criterios de Selección: Artículos publicados en los últimos cinco años que contengan palabras clave relacionadas con "IA", "Aprendizaje Profundo", "3D", "Imagenología Médica" y "Reconstrucción".
Filtrado: Los artículos se seleccionaron en función del enfoque de investigación, la cantidad de citas y la publicación en venues de primer nivel (por ejemplo, IEEE T-MI, MICCAI, CVPR).
Corpus Final: Se analizaron 64 estudios representativos.
Construcción de la Taxonomía: En lugar de agrupar por modalidad o tipo de red, los autores clasificaron los métodos en cuatro familias de representación basadas en la formulación matemática del objetivo reconstruido:
1. Representaciones de Cuadrícula Discreta
2. Representaciones de Expansión de Base Explícita
3. Representaciones de Primitivas Explícitas
4. Representaciones Neuronales Implícitas

3. Contribuciones Clave

El artículo realiza cuatro contribuciones principales:

Taxonomía Orientada a la Representación: Propone un sistema de clasificación novedoso que organiza los métodos de reconstrucción 3D basados en IA en cuatro familias distintas, aclarando las relaciones entre técnicas aparentemente dispares (por ejemplo, aclarando que los Campos de Radiación son un subtipo de Representaciones Neuronales Implícitas).
Encuesta Exhaustiva: Cubre una amplia gama de modalidades (TC, RM, PET, SPECT, US) y tareas (Tarea I: Datos crudos a imagen; Tarea II: Baja dosis a alta dosis; Tarea III: Vistas escasas a vistas completas).
Compilación de Recursos: Resume conjuntos de datos de referencia disponibles públicamente (por ejemplo, AAPM Low Dose CT, fastMRI) y métricas de evaluación estándar (PSNR, SSIM, LPIPS, etc.) específicas para la reconstrucción radiológica.
Análisis Crítico y Direcciones Futuras: Proporciona un análisis comparativo de las fortalezas y debilidades de cada paradigma y esboza direcciones futuras de investigación centradas en la integración física, la evaluación clínica, la eficiencia, la privacidad y la interpretabilidad.

4. Desglose Técnico de los Paradigmas de Representación

A. Representaciones de Cuadrícula Discreta

Concepto: La imagen se almacena en una cuadrícula espacial fija y muestreada (vóxeles o rebanadas). El modelo predice los valores de intensidad para cada punto de la cuadrícula.
Subtipos:
- Por rebanada: Procesa rebanadas 2D independientemente (por ejemplo, U-Net). Rápido pero sufre de inconsistencias entre rebanadas.
- Multiplano/Pila: Procesa rebanadas adyacentes conjuntamente para mejorar la continuidad.
- Volumétrica: Reconstruye conjuntamente todo el volumen 3D (por ejemplo, 3D U-Net, 3D GANs, 3D Difusión).
Ventajas: Intuitivo, compatible con pipelines existentes, alta adaptabilidad.
Desventajas: Resolución fija, posibles artefactos de "escalera", alto uso de memoria para volúmenes 3D de alta resolución.

B. Representaciones de Expansión de Base Explícita

Concepto: La imagen se representa como una combinación lineal de funciones base predefinidas (por ejemplo, B-splines, "blobs" Kaiser-Bessel o matrices de núcleo).
Mecanismo: $\lambda(r) = \sum \alpha_m \phi_m(r)$ , donde $\alpha_m$ son coeficientes aprendibles y $\phi_m$ son funciones base.
Ventajas: Transiciones espaciales más suaves que las cuadrículas; representación compacta; mantiene la interpretabilidad explícita de los coeficientes.
Desventajas: El rendimiento depende fuertemente de la elección de las funciones base; proyección/retroproyección computacionalmente exigente debido al solapamiento de las bases.

C. Representaciones de Primitivas Explícitas

Concepto: La imagen se aproxima mediante un conjunto finito de elementos locales adaptativos y aprendibles (primitivas) en lugar de una cuadrícula uniforme.
Tipos Clave:
- Primitivas Gaussianas: Inspiradas en 3D Gaussian Splatting (3DGS). Utiliza Gaussianas aprendibles (posición, covarianza, densidad) para representar la anatomía.
- Mallas de Simplex: Utiliza mallas triangulares/tetraédricas adaptativas.
Ventajas: Renderizado altamente eficiente; soporte espacial adaptativo (alta resolución donde se necesita, baja en otros lugares); excelente para síntesis de vistas escasas y nuevas vistas.
Desventajas: Requiere inicialización y optimización especializadas; menos interpretable que las cuadrículas; implementación compleja.

D. Representaciones Neuronales Implícitas (INR)

Concepto: La imagen se modela como una función continua $f_\theta(r)$ que mapea coordenadas espaciales a intensidad, sin almacenamiento explícito de vóxeles.
Subtipos:
- Campos de Intensidad Basados en Coordenadas: Mapea $(x,y,z) \to$ intensidad (por ejemplo, NeRP).
- Campos de Radiación (NeRF): Modela la densidad y el color dependiente de la vista (por ejemplo, MedNeRF, Ultra-NeRF).
Ventajas: Resolución continua (zoom infinito); excelente para manejar datos escasos y vistas faltantes; fuertes priores de continuidad.
Desventajas: Alto costo computacional (entrenamiento/inferencia lentos); naturaleza de "caja negra" (baja interpretabilidad); intensivo en memoria para grandes volúmenes 3D.

5. Resultados y Análisis Comparativo

Los autores evaluaron las cuatro familias según cinco criterios: Eficacia, Eficiencia, Adaptabilidad, Simplicidad e Interpretabilidad.

Familia	Eficacia	Eficiencia	Adaptabilidad	Simplicidad	Interpretabilidad
Cuadrícula Discreta	Alta (4)	Alta (4)	Muy Alta (5)	Muy Alta (5)	Baja (3)
Expansión de Base	Moderada (3)	Moderada (3)	Alta (4)	Moderada (3)	Moderada (4)
Primitiva Explícita	Alta (4)	Muy Alta (5)	Moderada (3)	Baja (2)	Baja (3)
Neural Implícita	Muy Alta (5)	Baja (2)	Moderada (3)	Baja (2)	Muy Baja (2)

Hallazgo Clave: Ningún paradigma es universalmente óptimo.
- Las Cuadrículas son las mejores para flujos de trabajo clínicos de propósito general y fáciles de implementar.
- Las Primitivas (Gaussianas) ofrecen el mejor equilibrio para velocidad y renderizado de vistas escasas.
- Las Implícitas (NeRF) ofrecen la mayor fidelidad teórica para estructuras continuas pero sufren problemas de eficiencia e interpretabilidad.
- Los métodos Iterativos Tradicionales siguen siendo la línea base más interpretable.

6. Significado y Direcciones Futuras

Esta revisión cambia el discurso de "¿qué arquitectura de red es la mejor?" a "¿cómo deben representarse los datos 3D?". Esta distinción es crucial para avanzar en la IA médica.

Desafíos Identificados y Direcciones Futuras:

Integración Física: Las representaciones futuras deben integrarse estrechamente con la física de la imagen (modelos directos, leyes de atenuación) en lugar de tratar la reconstrucción como una tarea pura de imagen a imagen de caja negra.
Evaluación Clínica: Ir más allá de PSNR/SSIM para incluir estudios de lectores, fidelidad anatómica y utilidad diagnóstica aguas abajo (por ejemplo, precisión en la detección de lesiones).
Eficiencia y Despliegue: Desarrollar arquitecturas ligeras, destilación de conocimiento y estrategias de computación en el borde para hacer viable la reconstrucción 3D de alta fidelidad en entornos clínicos en tiempo real.
Privacidad: Utilizar Aprendizaje Federado, privacidad diferencial y métodos no supervisados para entrenar modelos sin comprometer la privacidad de los datos de los pacientes.
Interpretabilidad: Diseñar modelos con mecanismos trazables (por ejemplo, despliegue de pasos de optimización) para generar confianza en los clínicos y garantizar la seguridad.

Conclusión:
El campo está evolucionando hacia representaciones híbridas que combinan la eficiencia de los métodos explícitos con la continuidad de los métodos implícitos, todo ello fundamentado en modelos de imagen física. Esta revisión sistemática proporciona la taxonomía y la hoja de ruta necesarias para guiar esta evolución hacia una reconstrucción radiológica 3D de alta calidad y práctica clínicamente.