X^{2}-Gaussien : Projection Gaussienne Radiative 4D pour la Reconstruction Tomographique en Temps Continu

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

March 27, 2025

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

cs.AI

Résumé

La reconstruction tomographique quadridimensionnelle (4D CT) est essentielle pour capturer les changements anatomiques dynamiques, mais elle se heurte à des limitations inhérentes aux workflows conventionnels de regroupement par phases. Les méthodes actuelles discrétisent la résolution temporelle en phases fixes à l'aide de dispositifs de synchronisation respiratoire, introduisant des erreurs d'alignement des mouvements et limitant la praticité clinique. Dans cet article, nous proposons X^2-Gaussian, un cadre novateur qui permet une reconstruction 4D-CT en temps continu en intégrant un splatting gaussien radiographique dynamique avec un apprentissage auto-supervisé des mouvements respiratoires. Notre approche modélise la dynamique anatomique à travers une architecture encodeur-décodeur spatio-temporelle qui prédit les déformations gaussiennes variant dans le temps, éliminant ainsi la discrétisation par phases. Pour supprimer la dépendance aux dispositifs de synchronisation externes, nous introduisons une fonction de coût de cohérence périodique pilotée par la physiologie, qui apprend les cycles respiratoires spécifiques au patient directement à partir des projections via une optimisation différentiable. Des expériences approfondies démontrent des performances de pointe, avec un gain de 9,93 dB en PSNR par rapport aux méthodes traditionnelles et une amélioration de 2,25 dB par rapport aux techniques de splatting gaussien précédentes. En unifiant la modélisation continue des mouvements avec l'apprentissage de périodes sans matériel spécifique, X^2-Gaussian fait progresser la reconstruction 4D CT haute fidélité pour l'imagerie clinique dynamique. Site web du projet : 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/.