Time-resolved dynamic CBCT reconstruction using prior-model-free spatiotemporal Gaussian representation (PMF-STGR)

📄 arXiv: 2503.22139v2 📥 PDF

作者: Jiacheng Xie, Hua-Chieh Shao, You Zhang

分类: physics.med-ph, cs.LG, eess.IV

发布日期: 2025-03-28 (更新: 2025-07-24)

备注: 25 pages, 5 figures

💡 一句话要点

提出基于无先验模型时空高斯表示的动态CBCT重建方法，实现快速精确的动态CBCT成像。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 动态CBCT重建 高斯表示 运动建模 无先验模型 医学影像

📋 核心要点

  1. 现有动态CBCT重建方法计算成本高昂，且依赖于先验知识，限制了其临床应用。
  2. 该论文提出一种基于高斯表示的无先验模型时空方法，通过学习运动基组件和时间系数来重建动态CBCT。
  3. 实验结果表明，该方法在重建速度和图像质量上均优于现有方法，并具有更高的运动精度。

📝 摘要（中文）

本文提出了一种基于高斯表示的框架（PMF-STGR），用于快速准确的动态CBCT重建。该方法将患者解剖结构和相关运动场表示为3D高斯分布。PMF-STGR包含三个主要组成部分：一个密集的3D高斯集合，用于重建动态序列的参考帧CBCT；另一个3D高斯集合，用于捕获三层、由粗到精的运动基组件（MBC），以模拟扫描内的运动；以及一个基于CNN的运动编码器，用于求解MBC的投影特定时间系数。通过时间系数缩放，学习到的MBC将组合成形变矢量场，从而将参考CBCT形变为投影特定的、时间分辨的CBCT，以捕获动态运动。由于3D高斯分布的强大表示能力，PMF-STGR可以从标准3D CBCT扫描中以“一次性”训练方式重建动态CBCT，而无需使用任何先验解剖或运动模型。我们使用XCAT体模仿真和真实患者扫描评估了PMF-STGR。使用图像相对误差、结构相似性指数、肿瘤质心误差和地标定位误差等指标来评估已求解的动态CBCT和运动的准确性。PMF-STGR显示出优于最先进的基于INR的方法PMF-STINR的明显优势。与PMF-STINR相比，PMF-STGR将重建时间减少了50％，同时重建了模糊更少、运动精度更高的图像。凭借更高的效率和准确性，PMF-STGR增强了动态CBCT成像在潜在临床转化中的适用性。

🔬 方法详解

问题定义：传统动态CBCT重建方法通常计算量大，速度慢，难以满足临床实时性需求。此外，一些方法依赖于预先定义的解剖或运动模型，限制了其泛化能力和对复杂运动的建模能力。因此，如何在保证重建精度的前提下，提高重建速度，并减少对先验知识的依赖，是动态CBCT重建领域面临的关键问题。

核心思路：该论文的核心思路是将动态CBCT重建问题转化为一个基于高斯表示的优化问题。通过使用3D高斯分布来表示患者的解剖结构和运动场，可以有效地捕捉复杂的形变和运动模式。同时，通过学习一组运动基组件（MBCs）和相应的投影特定时间系数，可以将参考帧CBCT形变为一系列时间分辨的CBCT图像，从而实现动态重建。这种方法避免了对先验模型的依赖，并能够以“一次性”训练的方式进行重建，大大提高了重建速度。

技术框架：PMF-STGR框架主要包含三个模块：1) 参考帧CBCT重建模块：使用一组密集的3D高斯分布来重建参考帧CBCT图像。2) 运动基组件（MBC）学习模块：使用另一组3D高斯分布来学习三层（粗到精）的MBCs，用于捕捉扫描内的运动信息。3) 运动编码器模块：使用一个基于CNN的运动编码器来预测每个投影对应的时间系数，用于缩放MBCs，从而生成形变矢量场。整体流程是，首先重建参考帧CBCT，然后学习MBCs，最后使用运动编码器预测时间系数，并将MBCs和时间系数结合起来，对参考帧CBCT进行形变，得到动态CBCT序列。

关键创新：该方法最重要的创新点在于使用3D高斯分布来表示解剖结构和运动场，并学习运动基组件（MBCs）来建模动态运动。与传统的基于体素或隐式神经表示（INR）的方法相比，高斯表示具有更强的表达能力和更高的计算效率。此外，该方法无需任何先验解剖或运动模型，可以从标准3D CBCT扫描中直接进行动态重建，具有更强的泛化能力。

关键设计：在参考帧CBCT重建模块中，使用了密集的3D高斯分布，并采用了一种自适应的高斯分布密度调整策略，以保证重建精度。在运动基组件学习模块中，使用了三层由粗到精的结构，以捕捉不同尺度的运动信息。在运动编码器模块中，使用了一个轻量级的CNN网络，以实现快速的时间系数预测。损失函数包括图像重建损失、运动正则化损失等，用于保证重建图像的质量和运动的平滑性。

📊 实验亮点

实验结果表明，PMF-STGR在XCAT体模和真实患者数据上均取得了显著的性能提升。与最先进的基于INR的方法PMF-STINR相比，PMF-STGR将重建时间减少了50%，同时图像相对误差降低，结构相似性指数（SSIM）提高，肿瘤质心误差和地标定位误差均显著减小。这些结果表明，PMF-STGR在重建速度、图像质量和运动精度方面均优于现有方法。

🎯 应用场景

该研究成果可应用于精确放疗、术中导航、运动伪影校正等领域。通过提供高精度的时间分辨CBCT图像，可以更好地进行患者摆位、肿瘤追踪和剂量优化，从而提高放疗的疗效和安全性。此外，该方法还可以用于研究呼吸运动、心脏跳动等生理运动对成像质量的影响，为开发更先进的医学成像技术提供理论基础。

📄 摘要（原文）

Time-resolved CBCT imaging, which reconstructs a dynamic sequence of CBCTs reflecting intra-scan motion (one CBCT per x-ray projection without phase sorting or binning), is highly desired for regular and irregular motion characterization, patient setup, and motion-adapted radiotherapy. Representing patient anatomy and associated motion fields as 3D Gaussians, we developed a Gaussian representation-based framework (PMF-STGR) for fast and accurate dynamic CBCT reconstruction. PMF-STGR comprises three major components: a dense set of 3D Gaussians to reconstruct a reference-frame CBCT for the dynamic sequence; another 3D Gaussian set to capture three-level, coarse-to-fine motion-basis-components (MBCs) to model the intra-scan motion; and a CNN-based motion encoder to solve projection-specific temporal coefficients for the MBCs. Scaled by the temporal coefficients, the learned MBCs will combine into deformation vector fields to deform the reference CBCT into projection-specific, time-resolved CBCTs to capture the dynamic motion. Due to the strong representation power of 3D Gaussians, PMF-STGR can reconstruct dynamic CBCTs in a 'one-shot' training fashion from a standard 3D CBCT scan, without using any prior anatomical or motion model. We evaluated PMF-STGR using XCAT phantom simulations and real patient scans. Metrics including the image relative error, structural-similarity-index-measure, tumor center-of-mass-error, and landmark localization error were used to evaluate the accuracy of solved dynamic CBCTs and motion. PMF-STGR shows clear advantages over a state-of-the-art, INR-based approach, PMF-STINR. Compared with PMF-STINR, PMF-STGR reduces reconstruction time by 50% while reconstructing less blurred images with better motion accuracy. With improved efficiency and accuracy, PMF-STGR enhances the applicability of dynamic CBCT imaging for potential clinical translation.