X^{2}-Гауссовский: 4D радиационное гауссово размытие для непрерывной томографической реконструкции

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

March 27, 2025

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

cs.AI

Аннотация

Реконструкция четырехмерной компьютерной томографии (4D CT) играет ключевую роль в захвате динамических анатомических изменений, однако сталкивается с присущими ограничениями традиционных подходов, основанных на фазовой дискретизации. Современные методы разделяют временное разрешение на фиксированные фазы с использованием устройств респираторной синхронизации, что приводит к смещению движения и ограничивает клиническую применимость. В данной работе мы предлагаем X^2-Gaussian — новый фреймворк, который позволяет выполнять непрерывную реконструкцию 4D-CT за счет интеграции динамического радиационного гауссова сплайсинга с самообучением респираторного движения. Наш подход моделирует анатомическую динамику с помощью пространственно-временной архитектуры кодировщика-декодера, которая предсказывает изменяющиеся во времени гауссовы деформации, устраняя необходимость фазовой дискретизации. Чтобы исключить зависимость от внешних устройств синхронизации, мы вводим физиологически обусловленную функцию потерь периодической согласованности, которая обучается на специфичных для пациента дыхательных циклах непосредственно из проекций с использованием дифференцируемой оптимизации. Экстенсивные эксперименты демонстрируют передовые результаты, достигая увеличения PSNR на 9,93 дБ по сравнению с традиционными методами и на 2,25 дБ в сравнении с предыдущими техниками гауссова сплайсинга. Объединяя непрерывное моделирование движения с аппаратно-независимым обучением периодичности, X^2-Gaussian продвигает высококачественную реконструкцию 4D CT для динамической клинической визуализации. Проектный сайт: 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/.