X^{2}-Gaussiana: Splatting Gaussiano Radiante 4D per la Ricostruzione Tomografica a Tempo Continuo

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

March 27, 2025

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

cs.AI

Abstract

La ricostruzione tomografica computerizzata quadridimensionale (4D CT) è fondamentale per catturare i cambiamenti anatomici dinamici, ma deve affrontare limitazioni intrinseche dei flussi di lavoro convenzionali basati sulla suddivisione in fasi. I metodi attuali discretizzano la risoluzione temporale in fasi fisse utilizzando dispositivi di gating respiratorio, introducendo disallineamenti nel movimento e limitando la praticità clinica. In questo articolo, proponiamo X^2-Gaussian, un nuovo framework che consente la ricostruzione 4D-CT in tempo continuo integrando lo splatting gaussiano radiante dinamico con l'apprendimento auto-supervisionato del movimento respiratorio. Il nostro approccio modella la dinamica anatomica attraverso un'architettura codificatore-decodificatore spazio-temporale che prevede deformazioni gaussiane variabili nel tempo, eliminando la discretizzazione in fasi. Per rimuovere la dipendenza da dispositivi di gating esterni, introduciamo una funzione di perdita di consistenza periodica guidata dalla fisiologia che apprende i cicli respiratori specifici del paziente direttamente dalle proiezioni tramite ottimizzazione differenziabile. Esperimenti estensivi dimostrano prestazioni all'avanguardia, ottenendo un guadagno di 9.93 dB nel PSNR rispetto ai metodi tradizionali e un miglioramento di 2.25 dB rispetto alle precedenti tecniche di splatting gaussiano. Unificando la modellazione continua del movimento con l'apprendimento periodico senza hardware, X^2-Gaussian avanza la ricostruzione 4D CT ad alta fedeltà per l'imaging clinico dinamico. Sito web del progetto: 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/.