X^{2}-Gaussiano: Splatting Gaussiano Radiante 4D para Reconstrução Tomográfica em Tempo Contínuo

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

Resumo

A reconstrução de tomografia computadorizada quadridimensional (4D CT) é crucial para capturar mudanças anatômicas dinâmicas, mas enfrenta limitações inerentes dos fluxos de trabalho convencionais de agrupamento por fases. Os métodos atuais discretizam a resolução temporal em fases fixas com dispositivos de gating respiratório, introduzindo desalinhamento de movimento e restringindo a praticidade clínica. Neste artigo, propomos o X^2-Gaussian, uma nova estrutura que permite a reconstrução contínua de 4D-CT ao integrar o splatting Gaussiano radiante dinâmico com o aprendizado autossupervisionado de movimento respiratório. Nossa abordagem modela a dinâmica anatômica por meio de uma arquitetura codificador-decodificador espaço-temporal que prevê deformações Gaussianas variáveis no tempo, eliminando a discretização de fases. Para remover a dependência de dispositivos de gating externos, introduzimos uma perda de consistência periódica orientada pela fisiologia que aprende ciclos respiratórios específicos do paciente diretamente das projeções por meio de otimização diferenciável. Experimentos extensivos demonstram desempenho de ponta, alcançando um ganho de 9,93 dB no PSNR em relação aos métodos tradicionais e uma melhoria de 2,25 dB em comparação com técnicas anteriores de splatting Gaussiano. Ao unificar a modelagem contínua de movimento com o aprendizado de períodos sem hardware, o X^2-Gaussian avança a reconstrução de alta fidelidade de 4D CT para imagens clínicas dinâmicas. Site do projeto em: 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/.