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

📄 arXiv: 2503.21779v2 📥 PDF

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

分类: cs.CV

发布日期: 2025-03-27 (更新: 2025-10-17)

备注: Project Page: https://x2-gaussian.github.io/

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出X²-Gaussian，通过动态辐射高斯溅射实现连续时间断层扫描重建

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱八：物理动画 (Physics-based Animation)

关键词: 4D CT重建 动态辐射高斯溅射 自监督学习 呼吸运动建模 医学影像

📋 核心要点

  1. 传统4D CT重建依赖呼吸门控设备和相位分箱，易引入运动伪影，限制临床应用。
  2. X²-Gaussian通过动态辐射高斯溅射建模连续时间运动，并自监督学习呼吸周期，无需外部设备。
  3. 实验结果表明，X²-Gaussian在4D CT重建质量上显著优于传统方法和现有高斯溅射技术。

📝 摘要（中文）

四维计算机断层扫描(4D CT)重建对于捕捉动态解剖结构变化至关重要，但传统相位分箱工作流程存在固有局限性。现有方法将时间分辨率离散化为固定相位，并依赖呼吸门控设备，导致运动错位并限制了临床实用性。本文提出X²-Gaussian，一种新颖的框架，通过将动态辐射高斯溅射与自监督呼吸运动学习相结合，实现连续时间4D-CT重建。我们的方法通过时空编码器-解码器架构对解剖动力学进行建模，预测随时间变化的高斯形变，从而消除了相位离散化。为了消除对外部门控设备的依赖，我们引入了一种生理驱动的周期一致性损失，通过可微优化直接从投影中学习患者特定的呼吸周期。大量实验表明，该方法达到了最先进的性能，与传统方法相比，PSNR增益为9.93 dB，与先前的高斯溅射技术相比，提高了2.25 dB。通过将连续运动建模与无需硬件的周期学习相结合，X²-Gaussian推进了用于动态临床成像的高保真4D CT重建。

🔬 方法详解

问题定义：传统4D CT重建主要依赖于相位分箱方法，该方法需要使用呼吸门控设备将扫描数据按照呼吸周期划分为多个离散的相位。这种方法的痛点在于，呼吸运动并非完全周期性，相位分箱会导致运动伪影，并且依赖外部设备限制了临床应用的便捷性。此外，现有基于高斯溅射的方法虽然在静态场景重建上表现出色，但难以直接应用于动态4D CT重建。

核心思路：X²-Gaussian的核心思路是利用动态辐射高斯溅射来建模连续时间的4D CT数据。通过学习随时间变化的高斯形变，可以避免相位离散化带来的问题，从而更准确地捕捉呼吸运动。同时，引入自监督学习方法，直接从投影数据中学习患者特定的呼吸周期，无需依赖外部呼吸门控设备。

技术框架：X²-Gaussian的整体框架包含以下几个主要模块：1) 时空编码器-解码器：用于预测随时间变化的高斯形变，从而建模解剖结构的动态变化。2) 动态辐射高斯溅射：利用预测的高斯形变，将CT投影数据渲染成4D体数据。3) 自监督呼吸运动学习：通过生理驱动的周期一致性损失，从投影数据中学习患者特定的呼吸周期。整个流程通过可微优化进行端到端训练。

关键创新：X²-Gaussian最重要的技术创新点在于将动态辐射高斯溅射与自监督呼吸运动学习相结合，实现了无需外部设备的连续时间4D CT重建。与现有方法的本质区别在于，X²-Gaussian避免了相位离散化，并直接从投影数据中学习呼吸周期，从而提高了重建质量和临床实用性。

关键设计：在时空编码器-解码器中，使用了3D卷积神经网络来提取时空特征。生理驱动的周期一致性损失基于以下假设：患者的呼吸运动具有周期性。该损失函数鼓励模型学习到的呼吸周期与投影数据中的周期性变化相一致。具体而言，该损失函数惩罚了相邻呼吸周期内投影数据之间的差异。此外，为了提高重建质量，还使用了L1损失和SSIM损失来约束重建结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，X²-Gaussian在4D CT重建质量上显著优于传统方法和现有高斯溅射技术。具体而言，与传统方法相比，X²-Gaussian的PSNR提高了9.93 dB，与先前的高斯溅射技术相比，提高了2.25 dB。这些结果表明，X²-Gaussian能够更准确地捕捉呼吸运动，并重建出更高质量的4D CT图像。

🎯 应用场景

X²-Gaussian在动态医学影像领域具有广泛的应用前景，例如肺部肿瘤的精确放疗计划、心脏功能的动态评估、以及其他需要捕捉动态解剖结构变化的临床场景。该技术能够提高诊断精度，优化治疗方案，并减少患者的辐射暴露。未来，该技术有望推广到其他动态成像模态，如MRI和PET。

📄 摘要（原文）

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. Code is publicly available at: https://x2-gaussian.github.io/.