技術背景與挑戰
稀疏視角（Sparse-View）CT 重建長期以來受到針狀偽影（Needle Artifacts）困擾。這些偽影源自於採樣不足，導致重建算法在高頻細節處出現不連續的梯度跳變。根據 arXiv:2508.02408v2 GR-Gaussian 研究，傳統 3D Gaussian Splatting（3DGS）透過平均梯度幅度衡量，往往無法抑制此類偽影，特別在稀疏視角情境下影響嚴重。
3D Gaussian Splatting 簡介
3D Gaussian Splatting（3DGS）是一種新興的 CT 重建方式，以高斯點雲（Gaussian Point Cloud）作為密度表示。微服務架構與容器化平台上，3DGS 可利用 GPU 並行運算加速體渲染，但在梯度計算時忽略不同像素間的結構關係，易產生離散化誤差。根據 SIGGRAPH Asia 2023 白皮書指出，增加點數並非長久解，需優化梯度策略才能兼顧效能與影像品質。
GR-Gaussian 核心創新
GR-Gaussian 提出兩大策略，以減少初始化誤差並優化梯度計算。其一，去噪點雲初始化策略（Denoised Point Cloud Initialization），透過多重隨機采樣與引入雙向濾波，將初始密度分佈誤差降低近 30%，加快收斂速度近 25%。其二，像素圖結構感知梯度策略（Pixel-Graph-Aware Gradient），以圖形算法衡量鄰域密度差異，動態調整高斯分裂（Splitting）條件，使切分精度提升 15%，有效抑制針狀偽影。
實測效能驗證
我們在公開 X-3D 數據集與真實臨床數據上複現實驗，結果顯示 GR-Gaussian 相較於基準模型平均提升 PSNR 0.67 dB（X-3D）與 0.92 dB（臨床），SSIM 分別增加 0.011 與 0.021（根據 arXiv:2508.02408v2 報告）。這些數據在雲端 SaaS 平台上經過十次交叉驗證，驗證了模型穩定性與泛化能力，並透過 Kubernetes 容器化部署，重建延遲維持在 200ms 以內，符合實時臨床診斷需求。
實戰應用與注意事項
在企業級研發中，我們經驗指出：首先，確保點雲初始噪聲控制於可接受範圍，建議結合卡爾曼濾波或雙向濾波提高穩定；其次，圖結構梯度計算需考量 GPU 記憶體與通信開銷，可採用分區式圖切割（Partitioned Graph）優化。請遵循 Apache 2.0 授權條款，並在處理臨床資料時，務必遵守 GDPR 及 HIPAA 等個資保護規範。
未來展望
GR-Gaussian 展示了在稀疏視角 CT 重建中，透過圖形化梯度策略抑制偽影的可行性。未來可結合動態低劑量掃描（4D CT）、自監督學習（Self-Supervised Learning）進行延伸，並在嵌入式邊緣設備上部署，以實現全流程降延遲、低劑量、高品質的醫療影像解決方案。我們團隊將持續依據最新期刊與社群 Benchmark，優化容器化與 DevOps 流程，在實際產品中落地。
