TR-GS: High-Fidelity Sparse-View CT Volumetric Rendering via t-Distribution Gaussian Splatting and Ray-Confidence Modeling

L'imagerie médicale repose depuis longtemps sur un équilibre délicat entre clarté et sécurité. Pour voir à l'intérieur du corps humain sans l'ouvrir, les médecins utilisent la tomographie par ordinateur, ou scanner (CT), qui construit une image tridimensionnelle à partir de centaines d'images radiographiques plates prises sous différents angles. Plus le nombre d'angles capturés est élevé, plus l'image finale est nette, mais chaque rayon X supplémentaire augmente l'exposition du patient aux radiations. Depuis des décennies, l'objectif est d'obtenir une image nette et exploitable avec le moins de rayons X possible, un défi connu sous le nom de reconstruction à vues éparses. Lorsque trop peu d'angles sont utilisés, les images résultantes souffrent souvent de traînées et de flou, ceما rend difficile la détection de petites tumeurs ou la planification de chirurgies délicates. Bien que les ordinateurs modernes puissent désormais générer des scènes 3D à partir de photos, l'application de ces techniques aux scanners médicaux s'est avérée complexe car les mathématiques utilisées pour les objets naturels ne gèrent pas toujours l'incertitude et les données manquantes présentes dans les scanners médicaux à faible dose.

Une équipe de chercheurs de l'Université de Shenzhen a développé une nouvelle méthode appelée TR-GS pour résoudre ce problème spécifique. Au lieu d'utiliser les formes mathématiques standards sur lesquelles la plupart des logiciels d'imagerie 3D reposent, ils les ont remplacées par une forme différente, plus flexible, qui est naturellement plus apte à ignorer les erreurs. Dans le monde de l'infographie, les scènes 3D sont souvent construites à partir de millions de minuscules ellipsoïdes flous, ou nuages de forme ovale, qui agissent comme des pixels en trois dimensions. Les méthodes standards utilisent des formes très strictes et à « queues fines », ce qui signifie qu'elles supposent que chaque donnée est parfaite et tentent de faire correspondre la forme exactement à celle-ci. Lorsque les données sont incomplètes ou bruitées, comme c'est le cas pour les scanners CT à faible dose, ces formes strictes peinent, entraînant des artefacts dentelés et des structures déformées. Les chercheurs les ont remplacées par une forme possédant des « queues lourdes », une propriété statistique qui permet à la forme d'être plus indulgente face aux mauvaises données sans perdre la structure globale de l'objet.

Pour rendre ce système encore plus performant, l'équipe a ajouté une couche de jugement intelligente au processus. Ils ont créé un système qui vérifie la quantité d'informations reçue par chaque minuscule forme 3D de la part des caméras à rayons X. Si une forme est entourée de nombreux faisceaux de rayons X provenant de différentes directions, le système la considère comme hautement fiable et maintient la précision de sa forme. Si une forme se trouve dans un endroit où très peu de rayons X passent, le système reconnaît l'incertitude et permet à cette forme de devenir plus flexible et robuste, évitant ainsi de créer de faux détails. Cet ajustement dynamique se produit automatiquement pendant le processus d'apprentissage de l'ordinateur, garantissant que les zones bien observées restent nettes tandis que les zones mal observées n'introduisent pas de bruit déroutant.

Les chercheurs ont également introduit une technique pour protéger les détails fins de l'anatomie, tels que les contours des os ou la texture des tissus mous, qui peuvent parfois être lissés par les formes flexibles. Ils ont utilisé un outil mathématique qui sépare l'image en différentes couches de détails, permettant à l'ordinateur de booster les caractéristiques nettes à haute fréquence là où les données sont dignes de confiance, tout en supprimant le bruit aléatoire dans les zones où les données sont faibles. Cela garantit que l'image finale conserve la netteté nécessaire au diagnostic médical sans amplifier le parasite provenant de l'utilisation de moins de rayons X.

Lors de tests sur des modèles générés par ordinateur et sur de vrais scanners de patients, cette nouvelle approche a produit des images nettement plus claires que les méthodes précédentes. Lors de tests utilisant seulement 18 vues de rayons X, un nombre très faible pour un scanner standard, la nouvelle méthode a reconstruit les structures internes avec un score de clarté de 35,30, une métrique qui mesure la proximité de l'image avec l'original parfait. Il s'agissait d'une amélioration notable par rapport aux meilleures techniques existantes, qui obtenaient des scores inférieurs et présentaient plus de traînées et de flou. La méthode s'est également montrée plus résiliente lorsque les données de rayons X contenaient du bruit aléatoire, un problème courant dans les scanners à faible dose, maintenant son exactitude là où les autres méthodes commençaient à faiblir.

Les résultats suggèrent que cette approche offre une voie viable vers une imagerie médicale plus sûre. En permettant aux médecins d'obtenir des vues 3D de haute qualité à partir de moins de clichés de rayons X, cette technologie pourrait réduire les radiations reçues par les patients lors des examens de routine, tout en fournissant les informations détaillées nécessaires à la planification chirurgicale et à l'évaluation des maladies. Les chercheurs ont rendu leur code public, invitant au développement ultérieur pour appliquer ces principes à des scénarios médicaux encore plus complexes, tels que des scanners pris sous des angles limités ou pour des régions corporelles spécifiques où les données sont les plus difficiles à recueillir.