FaCT-GS: Fast and Scalable CT Reconstruction with Gaussian Splatting

Resumen Técnico: FaCT-GS

1. El Problema

La Tomografía Computarizada (TC) de rayos X requiere reconstruir volúmenes 3D a partir de un conjunto limitado de proyecciones 2D. En escenarios de visión dispersa (sparse-view), donde el número de proyecciones es bajo (para reducir la dosis de radiación o el tiempo de escaneo), los métodos clásicos (como FDK, SIRT o FISTA) sufren de artefactos significativos y pérdida de fidelidad.

Aunque las técnicas basadas en aprendizaje profundo, como los Campos de Radiación Neuronal (NeRF) y las representaciones recientes de Gaussian Splatting (GS), han demostrado una calidad de reconstrucción superior, presentan dos limitaciones críticas que impiden su adopción práctica:

1. Costo computacional excesivo: Los métodos actuales (ej. R2-Gaussian) son demasiado lentos para resoluciones modernas (1k-2k), tardando minutos u horas por escaneo.
2. Falta de escalabilidad: El tiempo de ejecución no escala eficientemente con el aumento del tamaño de las proyecciones y el volumen de salida.
3. Dificultad de inicialización: No existen estrategias eficientes para aprovechar "priors" volumétricos existentes (como reconstrucciones previas de baja resolución) para acelerar el proceso.

2. Metodología: FaCT-GS

El authors proponen FaCT-GS, un marco de trabajo para la reconstrucción TC rápida y flexible basado en Gaussian Splatting. La metodología se centra en reescribir y optimizar profundamente los componentes centrales del pipeline de R2-Gaussian (el estado del arte anterior).

Componentes Clave:

• Optimización de Rasterización y Voxelización (Aceleración CUDA):

  • Rasterización: Se eliminan las cajas delimitadoras cuadradas ineficientes por cajas rectangulares alineadas a los ejes que consideran la densidad. Además, se reformula la retropropagación (backward pass) para ser por Gaussiana en lugar de por píxel, eliminando conflictos de escritura y warps stalls en la GPU.
  • Voxelización: Se optimiza el kernel para reducir el tráfico de memoria, agrupando parámetros en estructuras float4.
  • Eliminación de lógica innecesaria: Se elimina la lógica de ordenamiento de oclusión (necesaria en gráficos 3D pero irrelevante en TC, donde la integración a lo largo del rayo es independiente del orden), reduciendo la sobrecarga.

• Funciones de Pérdida Fusionadas:

  • Se implementan kernels CUDA personalizados para calcular la pérdida de SSIM 2D, SSIM 3D y Variación Total (TV) 3D de forma fusionada. Esto reduce drásticamente la latencia de lanzamiento de kernels y el tráfico de memoria.

• Estrategias de Inicialización (Warm Start):

  • Muestreo por Gradiente: En lugar de muestrear la intensidad de una reconstrucción FDK de baja calidad, se muestrea basándose en la magnitud del gradiente, ubicando las Gaussianas cerca de características de alta frecuencia (bordes).
  • Ajuste Rápido de Volumen (Volume Fitting): Se introduce un nuevo esquema que permite ajustar las Gaussianas directamente a un volumen previo (prior). Esto actúa como un "warm start" eficiente, similar a los métodos algebraicos clásicos, reduciendo las iteraciones necesarias para converger.

• Compresión y Representación:

  • El modelo de Gaussianas resultante sirve como una representación comprimida del volumen, permitiendo almacenar datos volumétricos de manera eficiente (comparable a una pila de imágenes JPEG 2D) sin perder demasiada calidad.

3. Contribuciones Clave

1. Velocidad Sin Precedentes: FaCT-GS es >4 veces más rápido que R2-Gaussian en proyecciones estándar de 512² y >13 veces más rápido en proyecciones de 2k.
2. Escalabilidad: El método escala excepcionalmente bien con el tamaño de la proyección y el volumen, manteniendo tiempos de reconstrucción de ~1 minuto para 1k y ~4 minutos para 2k, lo cual es viable para aplicaciones en tiempo real o inspección industrial.
3. Inicialización con Priors Volumétricos: Demuestra que es posible adaptar el enfoque de GS para utilizar reconstrucciones previas como inicialización, cerrando la brecha con los métodos algebraicos tradicionales en términos de flexibilidad de flujo de trabajo.
4. Compresión de Datos: Valida que las representaciones de Gaussianas pueden usarse como un formato de almacenamiento compacto para volúmenes TC, ofreciendo una relación calidad-compresión superior a los formatos estándar (uint8 comprimido o JPEG).

4. Resultados Experimentales

Las evaluaciones se realizaron en conjuntos de datos sintéticos y reales (incluyendo datos de FIPS y R2-Gaussian) con configuraciones de visión dispersa (25, 50 y 75 proyecciones).

• Rendimiento Cuantitativo:
  • En el escenario de 75 proyecciones (512²), FaCT-GS alcanza un SSIM de 0.949 en 1 minuto y 52 segundos.
  • En comparación, R2-Gaussian tarda 9 minutos para un SSIM ligeramente inferior (0.946), y FISTA tarda 55 segundos pero con un SSIM menor (0.934).
  • FaCT-GS es el único método basado en aprendizaje que supera a FISTA tanto en velocidad como en calidad de reconstrucción.
• Escalabilidad:
  • Al aumentar el tamaño de la proyección a 2048², FaCT-GS es 31.5 veces más rápido que FISTA y 13 veces más rápido que R2-Gaussian.
• Inicialización:
  • El uso de un prior volumétrico mediante el ajuste rápido de volumen reduce el número de iteraciones necesarias para alcanzar la calidad máxima en un ~40% en comparación con la inicialización en frío (cold start).
• Compresión:
  • La representación de Gaussianas cuantizadas ocupa 0.84 MB por volumen, logrando un SSIM promedio de 0.976 al reconstruir el volumen original, superando en compresión a los volúmenes uint8 comprimidos con ZIP.

5. Significado e Impacto

El trabajo de FaCT-GS es significativo porque hace viable la adopción de técnicas de reconstrucción basadas en Gaussian Splatting en flujos de trabajo clínicos e industriales reales.

• Viabilidad Práctica: Al reducir el tiempo de reconstrucción de decenas de minutos a segundos o minutos, elimina la barrera principal que impedía el uso de estos métodos en escáneres modernos de alta resolución.
• Aplicaciones en Tiempo Real: La velocidad permite aplicaciones como la inspección industrial en línea (in-line inspection) y la adquisición resuelta en el tiempo (time-resolved acquisition).
• Eficiencia de Datos: La capacidad de usar Gaussianas tanto para reconstrucción como para almacenamiento comprimido ofrece una solución integral para la gestión de grandes volúmenes de datos médicos.

En conclusión, FaCT-GS no solo mejora el estado del arte en velocidad y calidad, sino que también integra funcionalidades críticas (como el warm start y la compresión) que posicionan a la tecnología de Gaussian Splatting como una alternativa práctica y superior a los métodos algebraicos tradicionales para la tomografía computarizada moderna.