X^{2}-Gaussiaans: 4D Radiatieve Gaussische Splatting voor Continue-tijd Tomografische Reconstructie

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

Samenvatting

Vierdimensionale computertomografie (4D CT) reconstructie is cruciaal voor het vastleggen van dynamische anatomische veranderingen, maar wordt beperkt door inherente tekortkomingen van conventionele fase-binning workflows. Huidige methoden discretiseren de temporele resolutie in vaste fasen met behulp van ademhalingsgating-apparaten, wat bewegingsoverlapping introduceert en de klinische praktische bruikbaarheid beperkt. In dit artikel stellen we X^2-Gaussian voor, een nieuw raamwerk dat continue-tijd 4D-CT reconstructie mogelijk maakt door dynamische radiërende Gaussian splatting te integreren met zelfgesuperviseerd ademhalingsbewegingsleren. Onze aanpak modelleert anatomische dynamiek via een spatiotemporeel encoder-decoder architectuur die tijdsafhankelijke Gaussian vervormingen voorspelt, waardoor fase-discretisatie wordt geëlimineerd. Om de afhankelijkheid van externe gating-apparaten te verwijderen, introduceren we een fysiologie-gestuurd periodiek consistentieverlies dat patiëntspecifieke ademhalingscycli direct vanuit projecties leert via differentieerbare optimalisatie. Uitgebreide experimenten tonen state-of-the-art prestaties aan, met een PSNR-winst van 9.93 dB ten opzichte van traditionele methoden en een verbetering van 2.25 dB ten opzichte van eerdere Gaussian splatting-technieken. Door continue bewegingsmodellering te verenigen met hardwarevrij periodeleren, bevordert X^2-Gaussian hoogwaardige 4D CT reconstructie voor dynamische klinische beeldvorming. Projectwebsite: 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/.