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

大局观：从线索重建 3D 拼图

想象你是一名试图破解谜团的侦探。一个 3D 物体（比如人体器官）被藏在一个盒子里，而你只能通过几个微小的窥视孔（X 射线、MRI 扫描或超声波）看到它。你的任务是仅凭这些有限的线索，构建出该物体的完美 3D 模型。

在医学领域，这被称为 3D 放射影像重建（3D Radiological Image Reconstruction）。医生需要这些清晰的 3D 图像来发现肿瘤、骨折或阻塞的血管。

长期以来，科学家们使用严格的数学规则（就像一种僵化的食谱）来解决这个拼图问题。但最近，人工智能（AI） 已介入其中提供帮助。问题在于，存在如此多的不同 AI 方法，很难知道哪一种才是最好的。

这篇论文是一篇综述。作者并没有发明一种新的 AI；相反，他们扮演了图书管理员的角色。他们查看了 103 项不同的研究，并根据 AI 如何“思考”这个 3D 物体的方式，将它们整理成一个整齐的归档系统。他们将这些思考方式称为**“表示范式”（Representation Paradigms）**。

可以将其想象成建造房屋的不同方式：

1. 砖块堆叠（离散网格）
2. 蓝图与系数（显式基函数展开）
3. 漂浮的云朵（显式原语）
4. 神奇的隐形涂料（隐式神经表示）

以下是论文对这四个家族的分类说明：

---

1. “砖墙”法（离散网格表示）

类比： 想象用完全相同的正方形乐高积木搭建一面墙。你有一个网格，并决定每个积木的具体颜色（或密度）。

• 工作原理： AI 查看医学扫描图像，并在一个由微小立方体（体素）组成的 3D 网格中逐一填充。这就像是在填字游戏，每个方格都必须有一个数值。
• 优点： 它非常易于理解，并且完美契合医院目前存储图像的方式（如计算机上的数字文件）。它是“标准”做法。
• 缺点： 如果你放大观察，可能会看到“阶梯状”的边缘，因为图像是由僵硬的方块构成的。如果墙体巨大，处理速度也可能较慢。
• 使用者： 目前大多数医院软件都使用这种方法。它是行业的“主力军”。

2. “乐谱”法（显式基函数展开）

类比： 与其绘制每一块砖，不如想象你正在编写一份乐谱。你并不描述每一个音符，而是使用几个关键要素来描述音乐的“模式”（例如，“轻柔演奏的 C 大调和弦”）。

• 工作原理： AI 不将器官表示为像素网格，而是将其表示为数学形状（如平滑的波形或特定模式）的混合体。它计算出一些数值（系数），告诉计算机如何混合这些形状以重现图像。
• 优点： 对于平滑物体（如软组织）非常高效，且占用内存较少。它就像是将一个大文件压缩成小文件，同时又不丢失其“神韵”。
• 缺点： 如果器官有微小的、锯齿状的细节（如细小的裂缝），这种平滑的“乐谱”可能会遗漏这些细节，因为模式过于平滑。

3. “漂浮的云朵”法（显式原语表示）

类比： 想象尝试模拟一朵蓬松的云或一群蜜蜂。你不是使用僵硬的网格，而是使用许多独立的、漂浮的气球或发光的球体。每个气球都有特定的尺寸、形状和位置。

• 工作 la 原理： AI 在空间中放置有限数量的“原语”（通常是 3D 高斯团，看起来像模糊的云团）。它调整它们的大小和位置以匹配医学扫描图像。
• 优点： 渲染（绘制）速度极快且非常灵活。如果某个地方云团密集，AI 就会在那里放置更多气球；如果那里是空的，则放较少。它非常适合稀疏数据（即当你只有很少线索时）。
• 缺点： 需要特殊的初始设置。此外，如果“气球”太大，它们可能会吞噬掉微小的、重要的细节（如一个小肿瘤）。

4. “神奇的隐形涂料”法（隐式神经表示）

类比： 想象一支神奇的画笔，它不会在纸上留下点。相反，你问画笔：“这个特定坐标是什么颜色？”它会立即告诉你答案。图像不是以图片形式存储的，而是以一个“规则”或“公式”的形式存储，这个公式知道空间中每一个点的颜色。

• 工作原理： AI 学习一个连续函数。你可以要求它在任何分辨率下生成图像，它会即时计算出答案。这就像拥有一份可以制作任何尺寸蛋糕的食谱，而不是一个预先烤好的蛋糕。
• 优点： 它能创造出最平滑、最连续的图像。当线索非常少时（例如只有一张 X 光片），它表现得非常出色，因为它能基于所学习到的规则的平滑性来“猜测”缺失的部分。
• 缺点： “烘焙”（训练）过程很慢。此外，由于图像不是真实的图片而是一个公式，很难检查 AI 是否在“幻觉”（编造虚假解剖结构）或者它是否在说实话。

---

“工具箱”与“评分卡”

论文还回顾了科学家用来测试这些方法的工具：

• 数据集： 这些是“模拟考试”。作者列出了公开数据集（如 fastMRI 或 LoDoPaB-CT），研究人员可以在这些数据集上利用真实医学数据测试他们的 AI。
• 指标： 这些是“成绩”。科学家使用诸如 PSNR（像素与原始图像的接近程度）和 SSIM（结构相似度）之类的数字来判断哪种方法胜出。

重大挑战（“但是……”）

尽管这些 AI 方法功能强大，但论文指出，在它们被真正信任进入现实医院之前，仍面临一些严重的障碍：

1. “幻觉”风险： 特别是在“神奇涂料”（隐式）和“漂浮云朵”（原语）方法中，AI 可能会凭空捏造一个不存在的肿瘤，或者隐藏一个存在的肿瘤。它创造了一幅看起来很真实但医学上却是错误的图像。
2. “黑箱”问题： 医生需要知道 AI 为什么做出某种决策。对于“砖墙”法，解释起来很容易；但对于“神奇涂料”法，则非常困难。
3. 速度与质量的权衡： 看起来最好的图像往往需要最长的计算时间。在急诊室里，你不能等待 20 分钟来完成重建。
4. 隐私： 医学数据是敏感的。论文指出，我们需要能够训练这些 AI 的方法，而不必窃取患者数据（例如使用“联邦学习”，让 AI 在数据不离开医院的情况下进行学习）。

结论

论文得出结论：并没有单一的“最佳”方法。

• 如果你需要速度以及与现有医院系统的兼容性，请使用砖墙法（网格）。
• 如果你需要处理非常稀疏的数据或想要平滑、连续的模型，**神奇涂料（隐式）或漂浮云朵（原语）**是非常有前景的选择。
• 然而，为了对患者安全，未来的研究必须专注于确保 AI 不会“编造事实”，使过程透明化，并确保患者隐私。

作者已将他们的论文列表和资源发布在网上，以便其他科学家可以继续这项工作。