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

长期以来，医学影像一直依赖于清晰度与安全性之间的微妙平衡。为了在不切开人体的情况下观察内部结构，医生使用计算机断层扫描（CT），它通过从不同角度拍摄数百张扁平的 X 射线图像来构建三维图像。捕捉的角度越多，最终生成的图像就越清晰，但每一张额外的 X 射线都会增加患者的辐射暴露量。几十年来，目标一直是尽可能利用最少的 X 射线获得清晰且可用的图像，这一挑战被称为稀疏视图重建（sparse-view reconstruction）。当使用的角度过少时，生成的图像往往会出现条纹和模糊，导致难以发现微小肿瘤或进行精细手术规划。虽然现代计算机现在可以根据照片生成 3D 场景，但将这些技术应用于医学扫描却非常困难，因为用于自然物体的数学方法并不总能处理低剂量医学扫描中存在的这种不确定性和数据缺失问题。

深圳大学的一个研究小组开发了一种名为 TR-GS 的新方法来解决这一特定问题。他们没有使用大多数 3D 成像软件所依赖的标准数学形状，而是用一种更灵活、天生更擅长忽略误差的形状取而代之。在计算机图形学领域，3D 场景通常由数百万个微小的、模糊的椭球体（即椭圆形云团）构建，它们充当三维空间中的像素。标准方法使用非常严格且“细尾”（thin-tailed）的形状，这意味着它们假设每条数据都是完美的，并试图使形状与数据完全契合。当数据不完整或存在噪声时（如低剂量 CT 扫描所示），这些严格的形状会表现挣扎，导致出现锯齿状伪影和结构扭曲。研究人员将这些形状替换为具有“重尾”（heavier tails）特征的形状，这是一种统计特性，允许形状对错误的数据点更加宽容，而不丢失物体的整体结构。

为了让这个系统运行得更好，团队在过程中加入了一个智能判断层。他们创建了一个系统，用于检查每个微小的 3D 形状接收到了多少来自 X 射线相机的有效信息。如果一个形状被来自不同方向的许多 X 射线束包围，系统会将其视为高度可靠，并保持其形状精确。如果一个形状处于极少 X 射线穿过的位置，系统会识别出这种不确定性，并允许该形状变得更具灵活性和鲁棒性，从而防止其产生虚假细节。这种动态调整在计算机的学习过程中自动发生，确保观测良好的区域保持清晰，而观测较差的区域不会引入令人困惑的噪声。

研究人员还引入了一种技术来保护解剖结构的精细细节，例如骨骼边缘或软组织纹理，这些细节有时会被灵活的形状所平滑掉。他们使用了一种数学工具将图像分解为不同的细节层，使计算机能够在数据可靠的区域增强高频锐利特征，同时在数据薄弱的区域抑制随机噪声。这确保了最终图像在保留医疗诊断所需的清晰度的同时，不会放大因使用较少 X 射线而产生的静态噪声。

在针对计算机生成模型和真实患者扫描进行的测试中，这种新方法比以往的方法产生了明显更清晰的图像。在仅使用 18 个 X 射线视图（对于标准扫描来说是一个非常低的数值）的测试中，新方法重建的内部结构清晰度得分为 35.30，该指标衡量了图像与完美原图的接近程度。这比现有的最佳技术有了显著提升，后者得分较低且显示出更多的条纹和模糊。该方法在 X 射线数据包含随机噪声（低剂量扫描中的常见问题）时也表现出更强的韧性，在其他方法开始失效时仍能保持准确性。

研究结果表明，这种方法为更安全的医学成像提供了一条可行路径。通过允许医生从更少的 X 射线照射中获得高质量的 3D 视图，这项技术可以减少患者在常规扫描期间接受的辐射，同时仍能提供疾病评估和手术规划所需的详细信息。研究人员已向公众开放了他们的代码，邀请进一步开发以将这些原理应用于更复杂的医学场景，例如从有限角度拍摄的扫描或数据最难获取的特定身体部位的扫描。