X^{2}-Gaussiano: Representación Gaussiana Radiante 4D para la Reconstrucción Tomográfica en Tiempo Continuo

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

March 27, 2025

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

cs.AI

Resumen

La reconstrucción de tomografía computarizada cuatridimensional (4D CT) es crucial para capturar cambios anatómicos dinámicos, pero enfrenta limitaciones inherentes de los flujos de trabajo convencionales de agrupación por fases. Los métodos actuales discretizan la resolución temporal en fases fijas utilizando dispositivos de sincronización respiratoria, lo que introduce desalineación de movimiento y restringe la practicidad clínica. En este artículo, proponemos X^2-Gaussian, un marco novedoso que permite la reconstrucción de 4D-CT en tiempo continuo mediante la integración de la técnica de splatting Gaussiano radiante dinámico con el aprendizaje autosupervisado del movimiento respiratorio. Nuestro enfoque modela la dinámica anatómica a través de una arquitectura codificador-decodificador espacio-temporal que predice deformaciones Gaussianas variables en el tiempo, eliminando la discretización por fases. Para eliminar la dependencia de dispositivos de sincronización externos, introducimos una pérdida de consistencia periódica impulsada por la fisiología que aprende los ciclos respiratorios específicos del paciente directamente desde las proyecciones mediante optimización diferenciable. Experimentos extensivos demuestran un rendimiento de vanguardia, logrando una ganancia de 9.93 dB en PSNR sobre métodos tradicionales y una mejora de 2.25 dB frente a técnicas previas de splatting Gaussiano. Al unificar el modelado continuo de movimiento con el aprendizaje de periodos sin hardware, X^2-Gaussian avanza en la reconstrucción de alta fidelidad de 4D CT para imágenes clínicas dinámicas. Sitio web del proyecto en: 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/.