X^{2}-Gaussian: 4D Radiative Gaußsche Splatting für kontinuierliche tomografische Rekonstruktion

X^{2}-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction

March 27, 2025

Autoren: Weihao Yu, Yuanhao Cai, Ruyi Zha, Zhiwen Fan, Chenxin Li, Yixuan Yuan

cs.AI

Zusammenfassung

Die vierdimensionale Computertomographie-Rekonstruktion (4D-CT) ist entscheidend für die Erfassung dynamischer anatomischer Veränderungen, stößt jedoch aufgrund konventioneller Phasen-Binning-Workflows auf inhärente Grenzen. Aktuelle Methoden diskretisieren die zeitliche Auflösung in feste Phasen mit Atemgating-Geräten, was zu Bewegungsfehlausrichtungen führt und die klinische Praktikabilität einschränkt. In diesem Artikel stellen wir X^2-Gaussian vor, ein neuartiges Framework, das die kontinuierliche 4D-CT-Rekonstruktion ermöglicht, indem es dynamisches radiatives Gaussian Splatting mit selbstüberwachtem Atembewegungslernen integriert. Unser Ansatz modelliert anatomische Dynamiken durch eine raumzeitliche Encoder-Decoder-Architektur, die zeitlich variierende Gaußsche Verformungen vorhersagt und damit die Phasendiskretisierung eliminiert. Um die Abhängigkeit von externen Gating-Geräten zu beseitigen, führen wir einen physiologiegesteuerten periodischen Konsistenzverlust ein, der patientenspezifische Atemzyklen direkt aus Projektionen über differenzierbare Optimierung lernt. Umfangreiche Experimente demonstrieren state-of-the-art Leistung, mit einem PSNR-Gewinn von 9,93 dB gegenüber traditionellen Methoden und einer Verbesserung von 2,25 dB im Vergleich zu früheren Gaussian-Splatting-Techniken. Durch die Vereinigung kontinuierlicher Bewegungsmodellierung mit hardwarefreiem Periodenlernen erweitert X^2-Gaussian die hochauflösende 4D-CT-Rekonstruktion für die dynamische klinische Bildgebung. Projektwebsite unter: https://x2-gaussian.github.io/.

English

Four-dimensional computed tomography (4D CT) reconstruction is crucial for capturing dynamic anatomical changes but faces inherent limitations from conventional phase-binning workflows. Current methods discretize temporal resolution into fixed phases with respiratory gating devices, introducing motion misalignment and restricting clinical practicality. In this paper, We propose X^2-Gaussian, a novel framework that enables continuous-time 4D-CT reconstruction by integrating dynamic radiative Gaussian splatting with self-supervised respiratory motion learning. Our approach models anatomical dynamics through a spatiotemporal encoder-decoder architecture that predicts time-varying Gaussian deformations, eliminating phase discretization. To remove dependency on external gating devices, we introduce a physiology-driven periodic consistency loss that learns patient-specific breathing cycles directly from projections via differentiable optimization. Extensive experiments demonstrate state-of-the-art performance, achieving a 9.93 dB PSNR gain over traditional methods and 2.25 dB improvement against prior Gaussian splatting techniques. By unifying continuous motion modeling with hardware-free period learning, X^2-Gaussian advances high-fidelity 4D CT reconstruction for dynamic clinical imaging. Project website at: https://x2-gaussian.github.io/.