💻 computer science

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

Cette revue systématique classe les algorithmes de reconstruction d'images radiologiques 3D de pointe basés sur l'IA en quatre familles de représentations, clarifie leurs interrelations et résume les métriques d'évaluation, les jeux de données, les défis et les orientations futures dans ce domaine.

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

Publié 2026-04-29

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de reconstruire un puzzle 3D brisé d'un corps humain, mais que vous ne possédez que quelques pièces éparpillées (les radiographies ou les IRM) et des instructions floues. C'est le défi quotidien de la reconstruction d'images radiologiques 3D. Les médecins ont besoin d'une image 3D claire et complète pour repérer des tumeurs ou des blessures, mais obtenir cette image implique généralement d'exposer le patient à une forte dose de rayonnements ou de passer des heures dans un scanner.

Cet article est une « feuille de route » montrant comment l'Intelligence Artificielle (IA) apprend à résoudre ce puzzle plus rapidement et plus sûrement. Au lieu de simplement énumérer chaque nouvel outil d'IA, les auteurs organisent ces outils en quatre familles distinctes, basées sur la manière dont ils « pensent » l'image 3D qu'ils construisent.

Voici une décomposition simple des quatre familles, utilisant des analogies du quotidien :

1. La Famille de la Grille Discrète (La « Mosaïque Pixelisée »)

Fonctionnement : Imaginez une immense grille 3D constituée de petits briques Lego rigides. Le travail de l'IA consiste à peindre une couleur sur chaque brique individuelle pour construire l'image.
Le point de vue de l'article : C'est la méthode la plus courante et la plus directe. C'est comme prendre une photo et simplement la rendre en 3D. Elle est facile à construire et fonctionne bien avec l'équipement hospitalier existant.
Le bémol : Comme elle repose sur des briques fixes, si vous regardez l'image sous un angle étrange, vous pourriez voir des artefacts en « escalier » là où les briques ne s'alignent pas parfaitement. Elle est excellente pour les vues standard mais peut avoir du mal avec les surfaces lisses et courbes.

2. La Famille de l'Expansion de Base Explicite (Le « Mélange de Peinture Lisse »)

Fonctionnement : Au lieu de briques rigides, imaginez que l'IA utilise un ensemble de « échantillons de peinture » mathématiques et lisses (comme de doux nuages ou des blobs) qu'elle mélange. Elle ne peint pas chaque point individuel ; elle décide simplement de la quantité de chaque « échantillon » à utiliser.
Le point de vue de l'article : C'est populaire en tomodensitométrie par émission de positons (TEP), qui suit des traceurs radioactifs. C'est plus flexible que les briques Lego car la « peinture » peut se fondre de manière fluide, réduisant l'aspect dentelé.
Le bémol : Vous devez toujours calculer la recette pour chaque « échantillon » individuel, ce qui peut devenir compliqué et lent si l'image est énorme.

3. La Famille des Primitifs Explicites (Les « Nuages Flottants »)

Fonctionnement : C'est l'approche la plus récente et la plus tendance. Imaginez que l'objet 3D n'est pas fait de briques ni de peinture, mais de milliers de petits ballons flottants et lumineux (primitifs gaussiens). L'IA place ces ballons là où se trouvent les parties du corps et ajuste leur taille, leur forme et leur couleur.
Le point de vue de l'article : C'est un changement de donne pour la vitesse. Comme l'IA ne place des ballons que là où ils sont nécessaires, elle peut générer des images incroyablement vite, presque comme un jeu vidéo. Elle est excellente pour les données éparses (lorsque vous avez très peu de radiographies).
Le bémol : C'est plus difficile à mettre en place. Vous devez enseigner à l'IA exactement comment placer et façonner ces « ballons » correctement, ce qui nécessite une formation spécialisée.

4. La Famille Neurale Implicite (La « Formule Magique »)

Fonctionnement : Au lieu de stocker l'image sous forme de briques, de peinture ou de ballons, l'IA apprend une seule formule mathématique magique. Si vous demandez à la formule : « À quoi ressemble le corps à cette coordonnée spécifique ? », elle calcule la réponse instantanément. C'est comme avoir une recette capable de cuire un gâteau de n'importe quelle taille sans avoir besoin d'un moule préfabriqué.
Le point de vue de l'article : C'est la famille la plus flexible. Elle crée des images continues parfaitement lisses qui semblent très naturelles, même à partir de très peu de scans. Un sous-type célèbre ici est le NeRF (Champs de Radiance Neuronaux), excellent pour créer des vues 3D à partir de radiographies 2D.
Le bémol : C'est lourd en calculs. La « formule magique » prend beaucoup de temps à apprendre et nécessite beaucoup de puissance informatique pour fonctionner. De plus, c'est une « boîte noire » : nous savons que cela fonctionne, mais il est difficile d'expliquer pourquoi elle a choisi une forme spécifique.

La Vue d'Ensemble : Ce que l'article a découvert

Les auteurs ont comparé ces quatre familles comme un juge lors d'un concours de talents, en examinant cinq critères :

Efficacité : À quel point l'image est-elle bonne ? (La Famille Neuronale Implicite gagne ici).
Efficacité (Vitesse) : À quelle vitesse cela va-t-il ? (La Famille des Primitifs Explicites gagne ici).
Adaptabilité : Peut-elle fonctionner sur différentes parties du corps ou machines ? (La Famille de la Grille Discrète gagne ici).
Simplicité : Est-elle facile à construire ? (La Famille de la Grille Discrète gagne ici).
Interprétabilité : Peut-on comprendre comment cela fonctionne ? (Les mathématiques traditionnelles gagnent ici ; l'IA reste encore un peu mystérieuse).

La Conclusion :
Il n'existe pas d'IA « unique » meilleure.

Si vous avez besoin de vitesse et de résultats en temps réel, la famille Primitif (ballons) est la star.
Si vous avez besoin de lissage et de hauts détails à partir de très peu de scans, la famille Implicite (formule) est le champion.
Si vous avez besoin de quelque chose de fiable qui s'intègre aux systèmes hospitaliers actuels, la famille Grille (Lego) est la force de travail.

L'article soutient que l'avenir ne consiste pas à choisir un seul gagnant, mais à mélanger ces approches — en utilisant la vitesse des ballons avec la fluidité des formules — pour créer des images médicales qui sont rapides, peu coûteuses et sûres pour les patients.

1. Énoncé du problème

L'imagerie radiologique (CT, IRM, TEP, TEMP, Échographie) est cruciale pour le diagnostic clinique, mais les méthodes de reconstruction traditionnelles font face à des défis majeurs :

Pénurie de données et bruit : Les contraintes cliniques entraînent souvent des acquisitions à faible dose, à vues espacées ou sous-échantillonnées, résultant en des données bruyantes ou incomplètes.
Limites des méthodes basées sur la physique : Les méthodes analytiques traditionnelles (par exemple, la rétroprojection filtrée) et itératives (par exemple, OSEM) sont sensibles au bruit, aux écarts de modélisation et aux données manquantes.
Limites de l'IA : Bien que l'apprentissage profond (CNN, Transformers, GAN, modèles de diffusion) ait amélioré la reconstruction, les revues existantes se concentrent souvent sur des architectures de réseaux spécifiques ou des modalités d'imagerie. Il manque un cadre unifié qui catégorise les méthodes en fonction de la manière dont la cible 3D est paramétrée (le paradigme de représentation).
Obstacles cliniques : Les méthodes actuelles de l'IA peinent en matière d'efficacité computationnelle, d'interprétabilité et de garantie de la fidélité anatomique dans des volumes 3D complexes.

2. Méthodologie

Les auteurs ont mené une revue systématique de la littérature suivant les directives PRISMA :

Sources de données : Web of Science, Google Scholar et Scopus.
Critères de sélection : Articles publiés au cours des cinq dernières années contenant des mots-clés liés à "IA", "Apprentissage profond", "3D", "Imagerie médicale" et "Reconstruction".
Filtrage : Les articles ont été sélectionnés en fonction de leur axe de recherche, de leur nombre de citations et de leur publication dans des lieux de premier plan (par exemple, IEEE T-MI, MICCAI, CVPR).
Corpus final : 64 études représentatives ont été analysées.
Construction de la taxonomie : Au lieu de regrouper par modalité ou type de réseau, les auteurs ont classé les méthodes en quatre familles de représentation basées sur la formulation mathématique de la cible reconstruite :
1. Représentations de grille discrète
2. Représentations par développement de base explicite
3. Représentations par primitives explicites
4. Représentations neuronales implicites

3. Contributions clés

L'article apporte quatre contributions principales :

Taxonomie orientée représentation : Il propose un système de classification novateur qui organise les méthodes de reconstruction 3D basées sur l'IA en quatre familles distinctes, clarifiant les relations entre des techniques apparemment disparates (par exemple, clarifiant que les champs de radiance sont un sous-type de représentations neuronales implicites).
Enquête complète : Il couvre un large éventail de modalités (CT, IRM, TEP, TEMP, Échographie) et de tâches (Tâche I : Données brutes vers image ; Tâche II : Faible dose vers haute dose ; Tâche III : Vues espacées vers vues complètes).
Compilation de ressources : Il résume les ensembles de données de référence disponibles publiquement (par exemple, AAPM Low Dose CT, fastMRI) et les métriques d'évaluation standard (PSNR, SSIM, LPIPS, etc.) spécifiques à la reconstruction radiologique.
Analyse critique et orientations futures : Il fournit une analyse comparative des forces et faiblesses de chaque paradigme et esquisse des directions de recherche futures axées sur l'intégration physique, l'évaluation clinique, l'efficacité, la confidentialité et l'interprétabilité.

4. Analyse technique des paradigmes de représentation

A. Représentations de grille discrète

Concept : L'image est stockée sur une grille spatiale échantillonnée fixe (voxels ou tranches). Le modèle prédit les valeurs d'intensité pour chaque point de la grille.
Sous-types :
- Tranche par tranche : Traite les tranches 2D indépendamment (par exemple, U-Net). Rapide mais souffre d'incohérences inter-tranches.
- Multi-plan/Pile : Traite les tranches adjacentes conjointement pour améliorer la continuité.
- Volumétrique : Reconstruit conjointement l'ensemble du volume 3D (par exemple, 3D U-Net, 3D GAN, 3D Diffusion).
Avantages : Intuitif, compatible avec les pipelines existants, grande adaptabilité.
Inconvénients : Résolution fixe, artefacts potentiels en "escalier", utilisation élevée de la mémoire pour les volumes 3D haute résolution.

B. Représentations par développement de base explicite

Concept : L'image est représentée comme une combinaison linéaire de fonctions de base prédéfinies (par exemple, B-splines, "blobs" Kaiser-Bessel, ou matrices de noyau).
Mécanisme : $\lambda(r) = \sum \alpha_m \phi_m(r)$ , où $\alpha_m$ sont des coefficients apprenables et $\phi_m$ sont des fonctions de base.
Avantages : Transitions spatiales plus lisses que les grilles ; représentation compacte ; conserve l'interprétabilité explicite des coefficients.
Inconvénients : La performance dépend fortement du choix des fonctions de base ; projection/rétroprojection computationnellement exigeante due au chevauchement des bases.

C. Représentations par primitives explicites

Concept : L'image est approximée par un ensemble fini d'éléments locaux adaptatifs et apprenables (primitives) plutôt que par une grille uniforme.
Types clés :
- Primitives gaussiennes : Inspirées du 3D Gaussian Splatting (3DGS). Utilise des gaussiennes apprenables (position, covariance, densité) pour représenter l'anatomie.
- Maillages de simplexe : Utilise des maillages triangulaires/tétraédriques adaptatifs.
Avantages : Rendu hautement efficace ; support spatial adaptatif (haute résolution là où nécessaire, faible ailleurs) ; excellent pour la synthèse de vues espacées et de nouvelles vues.
Inconvénients : Nécessite une initialisation et une optimisation spécialisées ; moins interprétable que les grilles ; mise en œuvre complexe.

D. Représentations neuronales implicites (INR)

Concept : L'image est modélisée comme une fonction continue $f_\theta(r)$ reliant les coordonnées spatiales à l'intensité, sans stockage explicite de voxels.
Sous-types :
- Champs d'intensité basés sur les coordonnées : Mappe $(x,y,z) \to$ intensité (par exemple, NeRP).
- Champs de radiance (NeRF) : Modélise la densité et la couleur dépendante de la vue (par exemple, MedNeRF, Ultra-NeRF).
Avantages : Résolution continue (zoom infini) ; excellent pour gérer les données espacées et les vues manquantes ; forts a priori de continuité.
Inconvénients : Coût computationnel élevé (entraînement/inférence lent) ; nature de "boîte noire" (faible interprétabilité) ; gourmand en mémoire pour les grands volumes 3D.

5. Résultats et analyse comparative

Les auteurs ont évalué les quatre familles selon cinq critères : Efficacité, Efficience, Adaptabilité, Simplicité et Interprétabilité.

Famille	Efficacité	Efficience	Adaptabilité	Simplicité	Interprétabilité
Grille discrète	Élevée (4)	Élevée (4)	Très élevée (5)	Très élevée (5)	Faible (3)
Développement de base	Modérée (3)	Modérée (3)	Élevée (4)	Modérée (3)	Modérée (4)
Primitive explicite	Élevée (4)	Très élevée (5)	Modérée (3)	Faible (2)	Faible (3)
Neuronale implicite	Très élevée (5)	Faible (2)	Modérée (3)	Faible (2)	Très faible (2)

Résultat clé : Aucun paradigme unique n'est universellement optimal.
- Les grilles sont les meilleures pour les flux de travail cliniques polyvalents et faciles à déployer.
- Les primitives (Gaussiennes) offrent le meilleur compromis pour la vitesse et le rendu de vues espacées.
- L'implicite (NeRF) offre la fidélité théorique la plus élevée pour les structures continues mais souffre de problèmes d'efficience et d'interprétabilité.
- Les méthodes itératives traditionnelles restent la base la plus interprétable.

6. Importance et orientations futures

Cette revue déplace le discours de "quelle architecture de réseau est la meilleure ?" vers "comment les données 3D doivent-elles être représentées ?". Cette distinction est cruciale pour faire progresser l'IA médicale.

Défis identifiés et orientations futures :

Intégration physique : Les représentations futures doivent s'intégrer étroitement à la physique de l'imagerie (modèles directs, lois d'atténuation) plutôt que de traiter la reconstruction comme une tâche pure de boîte noire d'image à image.
Évaluation clinique : Aller au-delà du PSNR/SSIM pour inclure des études de lecture, la fidélité anatomique et l'utilité diagnostique en aval (par exemple, précision de la détection de lésions).
Efficience et déploiement : Développer des architectures légères, la distillation de connaissances et des stratégies de calcul en périphérie (edge computing) pour rendre la reconstruction 3D haute fidélité réalisable dans des contextes cliniques en temps réel.
Confidentialité : Utiliser l'apprentissage fédéré, la confidentialité différentielle et des méthodes non supervisées pour entraîner des modèles sans compromettre la confidentialité des données des patients.
Interprétabilité : Concevoir des modèles avec des mécanismes traçables (par exemple, déplier les étapes d'optimisation) pour instaurer la confiance des cliniciens et garantir la sécurité.

Conclusion :
Le domaine évolue vers des représentations hybrides qui combinent l'efficience des méthodes explicites avec la continuité des méthodes implicites, le tout ancré dans des modèles d'imagerie physiques. Cette revue systématique fournit la taxonomie et la feuille de route nécessaires pour guider cette évolution vers une reconstruction radiologique 3D de haute qualité et cliniquement pratique.