💻 computer science

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

Deze systematische review classificeert geavanceerde op AI gebaseerde algoritmen voor 3D-reconstructie van radiologische beelden in vier representatiefamilies, verduidelijkt hun onderlinge relaties en vat de evaluatiemetrics, datasets, uitdagingen en toekomstige richtingen op dit gebied samen.

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

Gepubliceerd 2026-04-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een versplinterd 3D-puzzel van een menselijk lichaam te herbouwen, maar je hebt slechts een paar verspreide stukken (de röntgenfoto's of MRI-scans) en wat wazige instructies. Dit is de dagelijkse uitdaging van 3D-radiologische beeldreconstructie. Artsen hebben een helder, compleet 3D-beeld nodig om tumoren of verwondingen te vinden, maar het krijgen van dat beeld betekent meestal dat de patiënt wordt blootgesteld aan veel straling of uren in een scanner moet doorbrengen.

Dit artikel is een "routebeschrijving" van hoe Kunstmatige Intelligentie (KI) leert dit puzzel sneller en veiliger op te lossen. In plaats van elke nieuwe KI-tool gewoon op te sommen, ordenen de auteurs deze tools in vier distincte families, gebaseerd op hoe ze "nadenken" over het 3D-beeld dat ze bouwen.

Hier is een eenvoudige uiteenzetting van de vier families, met gebruikmaking van alledaagse analogieën:

1. De Discrete Grid-familie (Het "Pixelmozaïek")

Hoe het werkt: Stel je een gigantisch 3D-rooster voor van kleine, stijve Lego-blokjes. De taak van de KI is om op elk enkel blokje een kleur te schilderen om het beeld te bouwen.
Het perspectief van het artikel: Dit is de meest gebruikelijke en rechttoe-rechtaan methode. Het is alsof je een foto neemt en deze gewoon 3D maakt. Het is makkelijk te bouwen en werkt goed met bestaande ziekenhuisapparatuur.
De adder onder het gras: Omdat het vertrouwt op vaste blokken, kun je bij het bekijken van het beeld vanuit een rare hoek "trapsgewijze" artefacten zien waar de blokken niet perfect op elkaar aansluiten. Het is geweldig voor standaardweergaven, maar kan moeite hebben met gladde, gebogen oppervlakken.

2. De Expliciete Basis-expansie-familie (Het "Gladde Verfmengsel")

Hoe het werkt: In plaats van stijve blokken, gebruikt de KI een reeks gladde, wiskundige "verfstaaltjes" (zoals zachte wolken of bobbels) die het met elkaar mengt. Het schildert niet elk enkel punt; het bepaalt alleen hoeveel van elk "staaltje" er moet worden gebruikt.
Het perspectief van het artikel: Dit is populair bij PET-scans (die radioactieve tracers volgen). Het is flexibeler dan de Lego-blokjes omdat de "verf" glad kan mengen, waardoor de gekartelde uitstraling wordt verminderd.
De adder onder het gras: Je moet nog steeds het recept voor elk enkel "staaltje" berekenen, wat ingewikkeld en traag kan worden als het beeld enorm is.

3. De Expliciete Primitieve-familie (De "Drijvende Wolken")

Hoe het werkt: Dit is de nieuwste, hipste aanpak. Stel je voor dat het 3D-object niet gemaakt is van blokken of verf, maar van duizenden kleine, gloeiende, drijvende ballonnen (Gaussische primitieven). De KI plaatst deze ballonnen waar de lichaamsdelen zijn en past hun grootte, vorm en kleur aan.
Het perspectief van het artikel: Dit is een game-changer voor snelheid. Omdat de KI alleen ballonnen plaatst waar ze nodig zijn, kan het beelden ongelooflijk snel renderen, bijna als een videospel. Het is geweldig voor schaarse data (wanneer je zeer weinig röntgenfoto's hebt).
De adder onder het gras: Het is moeilijker op te zetten. Je moet de KI precies leren hoe je deze "ballonnen" correct plaatst en vormt, wat gespecialiseerde training vereist.

4. De Impliciete Neuronale-familie (Het "Magische Formule")

Hoe het werkt: In plaats van het beeld op te slaan als blokken, verf of ballonnen, leert de KI een enkele, magische wiskundige formule. Als je de formule vraagt: "Hoe ziet het lichaam eruit op deze specifieke coördinaat?", berekent het het antwoord direct. Het is alsof je een recept hebt dat een taart van elke grootte kan bakken zonder dat er een vooraf gemaakte vorm nodig is.
Het perspectief van het artikel: Dit is de meest flexibele familie. Het creëert perfect gladde, continue beelden die zeer natuurlijk lijken, zelfs vanuit zeer weinig scans. Een beroemd subtype hier is NeRF (Neural Radiance Fields), wat geweldig is in het creëren van 3D-weergaven vanuit 2D-röntgenfoto's.
De adder onder het gras: Het is computergewijs zwaar. De "magische formule" kost veel tijd om te leren en vereist veel rekenkracht om te draaien. Bovendien is het een "black box" – we weten dat het werkt, maar het is moeilijk uit te leggen waarom het een specifieke vorm heeft gekozen.

Het Grote Geheel: Wat het Artikel Vond

De auteurs vergeleken deze vier families als een jury bij een talentenjacht, waarbij ze vijf criteria bekeken:

Effectiviteit: Hoe goed is het beeld? (Impliciet Neuraal wint hier).
Efficiëntie: Hoe snel is het? (Expliciet Primitief wint hier).
Aanpasbaarheid: Kan het werken op verschillende lichaamsdelen of machines? (Discrete Grid wint hier).
Eenvoud: Is het makkelijk te bouwen? (Discrete Grid wint hier).
Interpreteerbaarheid: Kunnen we begrijpen hoe het werkt? (Traditionele wiskunde wint hier; KI is nog steeds een beetje mysterieus).

De Conclusie:
Er is geen enkele "beste" KI.

Als je snelheid en real-time resultaten nodig hebt, is de Primitieve (ballon) familie de ster.
Als je gladheid en hoog detail nodig hebt vanuit zeer weinig scans, is de Impliciete (formule) familie de kampioen.
Als je iets betrouwbars nodig hebt dat past in huidige ziekenhuissystemen, is de Grid (Lego) familie het werkpaard.

Het artikel betoogt dat de toekomst niet gaat over het kiezen van één winnaar, maar over het mixen van deze benaderingen – het gebruik van de snelheid van de ballonnen met de gladheid van de formules – om medische beelden te creëren die snel, goedkoop en veilig zijn voor patiënten.

1. Probleemstelling

Radiologische beeldvorming (CT, MRI, PET, SPECT, Echografie) is cruciaal voor klinische diagnose, maar traditionele reconstructiemethoden staan voor aanzienlijke uitdagingen:

Data-schaarste & Ruis: Klinische beperkingen leiden vaak tot opnames met lage dosis, weinig weergaven of onderbemonstering, wat resulteert in ruisachtige of onvolledige data.
Beperkingen van op fysica gebaseerde methoden: Traditionele analytische methoden (bijv. Filtered Back Projection) en iteratieve methoden (bijv. OSEM) zijn gevoelig voor ruis, modelfouten en ontbrekende data.
Beperkingen van AI: Hoewel diep leren (CNN's, Transformers, GAN's, Diffusiemodellen) de reconstructie heeft verbeterd, richten bestaande reviews zich vaak op specifieke netwerkarchitecturen of beeldvormingsmodaliteiten. Er ontbreekt een unified raamwerk dat methoden categoriseert op basis van hoe het 3D-doel wordt geparametriseerd (het representatieparadigma).
Klinische barrières: Huidige AI-methode worstelen met computationele efficiëntie, interpreteerbaarheid en het waarborgen van anatomische trouw in complexe 3D-volumes.

2. Methodologie

De auteurs voerden een systematische literatuurstudie uit volgens PRISMA-richtlijnen:

Data-bronnen: Web of Science, Google Scholar en Scopus.
Selectiecriteria: Papers gepubliceerd in de laatste vijf jaar met trefwoorden gerelateerd aan "AI", "Deep Learning", "3D", "Medical Imaging" en "Reconstruction".
Filtering: Papers werden geselecteerd op onderzoeksfocus, citatieaantal en publicatie in toonaangevende venues (bijv. IEEE T-MI, MICCAI, CVPR).
Finale corpus: 64 representatieve studies werden geanalyseerd.
Taxonomieconstructie: In plaats van te groeperen op modaliteit of netwerktipe, classificeerden de auteurs methoden in vier representatiefamilies gebaseerd op de wiskundige formulering van het gereconstrueerde doel:
1. Discrete Grid Representations
2. Explicit Basis Expansion Representations
3. Explicit Primitive Representations
4. Implicit Neural Representations

3. Belangrijkste Bijdragen

Het artikel levert vier primaire bijdragen:

Representatie-gerichte Taxonomie: Het stelt een nieuw classificatiesysteem voor dat AI-gebaseerde 3D-reconstructiemethoden organiseert in vier distincte families, waardoor de relaties tussen ogenschijnlijk uiteenlopende technieken worden verduidelijkt (bijv. het verduidelijken dat Radiance Fields een subtipo zijn van Implicit Neural Representations).
Omvangrijk Overzicht: Het behandelt een breed scala aan modaliteiten (CT, MRI, PET, SPECT, US) en taken (Taak I: Ruwe data naar beeld; Taak II: Lage dosis naar hoge dosis; Taak III: Weinig weergaven naar volledige weergaven).
Samenstelling van Bronnen: Het vat publiek beschikbare benchmarkdatasets samen (bijv. AAPM Low Dose CT, fastMRI) en standaard evaluatiemetrieken (PSNR, SSIM, LPIPS, etc.) specifiek voor radiologische reconstructie.
Kritische Analyse & Toekomstige Richtingen: Het biedt een vergelijkende analyse van de sterke en zwakke punten van elk paradigma en schetst toekomstige onderzoeksrichtingen met focus op fysica-integratie, klinische evaluatie, efficiëntie, privacy en interpreteerbaarheid.

4. Technische Uitwerking van Representatieparadigma's

A. Discrete Grid Representations

Concept: Het beeld wordt opgeslagen op een vast, bemonsterd ruimtelijk rooster (voxels of slices). Het model voorspelt intensiteitswaarden voor elk roosterpunt.
Sub-types:
- Slice-wise: Verwerkt 2D-slices onafhankelijk (bijv. U-Net). Snel maar lijdt aan inconsistenties tussen slices.
- Multi-plane/Stack: Verwerkt aangrenzende slices gezamenlijk om continuïteit te verbeteren.
- Volumetric: Reconstructeert het volledige 3D-volume gezamenlijk (bijv. 3D U-Net, 3D GAN's, 3D Diffusion).
Voordelen: Intuïtief, compatibel met bestaande pipelines, hoge aanpasbaarheid.
Nadelen: Vaste resolutie, potentiële "trapsgewijze" artefacten, hoog geheugengebruik voor hoge-resolutie 3D-volumes.

B. Explicit Basis Expansion Representations

Concept: Het beeld wordt weergegeven als een lineaire combinatie van vooraf gedefinieerde basisfuncties (bijv. B-splines, Kaiser-Bessel "blobs" of kernel-matrices).
Mechanisme: $\lambda(r) = \sum \alpha_m \phi_m(r)$ , waarbij $\alpha_m$ leerbare coëfficiënten zijn en $\phi_m$ basisfuncties.
Voordelen: Gladdere ruimtelijke overgangen dan roosters; compacte representatie; behoudt expliciete interpreteerbaarheid van coëfficiënten.
Nadelen: Prestaties hangen sterk af van de keuze van basisfuncties; computatievorderende projectie/back-projectie door overlap van basisfuncties.

C. Explicit Primitive Representations

Concept: Het beeld wordt benaderd door een eindige set adaptieve, leerbare lokale elementen (primitieven) in plaats van een uniform rooster.
Belangrijkste Types:
- Gaussian Primitives: Geïnspireerd op 3D Gaussian Splatting (3DGS). Gebruikt leerbare Gaussians (positie, covariantie, dichtheid) om anatomie te representeren.
- Simplex Meshes: Gebruikt adaptieve driehoekige/tetraëdrische meshes.
Voordelen: Zeer efficiënt renderen; adaptieve ruimtelijke ondersteuning (hoge resolutie waar nodig, lage elders); uitstekend voor weinig weergaven en synthese van nieuwe weergaven.
Nadelen: Vereist gespecialiseerde initialisatie en optimalisatie; minder interpreteerbaar dan roosters; complexe implementatie.

D. Implicit Neural Representations (INR)

Concept: Het beeld wordt gemodelleerd als een continue functie $f_\theta(r)$ die ruimtelijke coördinaten afbeeldt op intensiteit, zonder expliciete opslag van voxels.
Sub-types:
- Coordinate-based Intensity Fields: Mappt $(x,y,z) \to$ intensiteit (bijv. NeRP).
- Radiance Fields (NeRF): Modelleert dichtheid en view-afhankelijke kleur (bijv. MedNeRF, Ultra-NeRF).
Voordelen: Continue resolutie (oneindig inzoomen); uitstekend voor het verwerken van schaarse data en ontbrekende weergaven; sterke continuïteitspriors.
Nadelen: Hoge computationele kosten (langzame training/inferentie); "black box"-karakter (lage interpreteerbaarheid); geheugenintensief voor grote 3D-volumes.

5. Resultaten en Vergelijkende Analyse

De auteurs evalueerden de vier families op vijf criteria: Effectiviteit, Efficiëntie, Aanpasbaarheid, Eenvoud en Interpreteerbaarheid.

Familie	Effectiviteit	Efficiëntie	Aanpasbaarheid	Eenvoud	Interpreteerbaarheid
Discrete Grid	Hoog (4)	Hoog (4)	Zeer Hoog (5)	Zeer Hoog (5)	Laag (3)
Basis Expansion	Matig (3)	Matig (3)	Hoog (4)	Matig (3)	Matig (4)
Explicit Primitive	Hoog (4)	Zeer Hoog (5)	Matig (3)	Laag (2)	Laag (3)
Implicit Neural	Zeer Hoog (5)	Laag (2)	Matig (3)	Laag (2)	Zeer Laag (2)

Belangrijkste bevinding: Geen enkel paradigma is universeel optimaal.
- Roosters zijn het beste voor algemeen doel, eenvoudig te implementeren klinische workflows.
- Primitieven (Gaussian) bieden de beste afweging voor snelheid en rendering met weinig weergaven.
- Implicit (NeRF) biedt de hoogste theoretische trouw voor continue structuren, maar lijdt aan efficiëntie- en interpreteerbaarheidsproblemen.
- Traditionele Iteratieve methoden blijven de meest interpreteerbare baseline.

6. Betekenis en Toekomstige Richtingen

Deze review verschuift de discours van "welke netwerkarchitectuur is het beste?" naar "hoe moeten de 3D-data worden weergegeven?". Dit onderscheid is cruciaal voor de vooruitgang van medische AI.

Geïdentificeerde Uitdagingen & Toekomstige Richtingen:

Fysica-integratie: Toekomstige representaties moeten nauw integreren met beeldvormingsfysica (forward-modellen, attenuatiewetten) in plaats van reconstructie te behandelen als een puur black-box beeld-naar-beeld taak.
Klinische Evaluatie: Voorbijgaan aan PSNR/SSIM om lezersstudies, anatomische trouw en downstream diagnostische bruikbaarheid (bijv. nauwkeurigheid van laesiedetectie) op te nemen.
Efficiëntie & Implementatie: Ontwikkeling van lichtgewicht architecturen, knowledge distillation en edge-computing strategieën om hoge-trouw 3D-reconstructie haalbaar te maken in real-time klinische settings.
Privacy: Gebruik van Federated Learning, differentieel privacy en ongesuperviseerde methoden om modellen te trainen zonder de privacy van patiëntdata te compromitteren.
Interpreteerbaarheid: Ontwerp van modellen met traceerbare mechanismen (bijv. het ontvouwen van optimalisatiestappen) om klinisch vertrouwen te bouwen en veiligheid te waarborgen.

Conclusie:
Het vakgebied evolueert naar hybride representaties die de efficiëntie van expliciete methoden combineren met de continuïteit van impliciete methoden, allemaal gebaseerd op fysieke beeldvormingsmodellen. Deze systematische review biedt de nodige taxonomie en routekaart om deze evolutie te sturen naar klinisch praktische, hoogwaardige 3D radiologische reconstructie.