Calibrated Closed-Form Uncertainty for Radiative Gaussian Splatting in Sparse-View CT

Resumen Técnico: Incertidumbre de Forma Cerrada Calibrada para el Gaussian Splatting Radiativo en TC de Pocas Vistas

Declaración del Problema
La tomografía computarizada (TC) de pocas vistas reduce la dosis de radiación al paciente al adquirir menos proyecciones de rayos X, lo que resulta en un problema inverso mal planteado donde grandes regiones de la reconstrucción son interpoladas en lugar de medidas. Aunque el Gaussian Splatting Radiativo en 3D (específicamente R2-Gaussian) ha permitido una reconstrucción rápida y precisa en este régimen, los métodos existentes solo producen estimaciones de punto único. Carecen de un mecanismo para indicar dónde es confiable la reconstrucción frente a dónde es una conjetura segura. Los esfuerzos actuales de cuantificación de la incertidumbre en este espacio son limitados: el trabajo concurrente (Wu et al.) utiliza el desacuerdo de un ensamble puramente como una puntuación de adquisición sin validar su correspondencia con el error de reconstrucción ni producir mapas de incertidumbre por vóxel. Además, la literatura sobre la incertidumbre en el Gaussian splatting se limita en gran medida a la renderización RGB, donde el compositing de alfa no lineal fuerza una propagación de varianza aproximada, mientras que la imagen de rayos X involucra una física de transmisión estrictamente lineal que permanece sin explotar para una propagación de incertidumbre exacta.

Metodología
Los autores proponen un marco que aprovecha la estricta linealidad de la renderización de rayos X para derivar una propagación de incertidumbre exacta de forma cerrada para el Gaussian splatting radiativo.

1. Posterior de Densidad Variacional: El método eleva la densidad central de cada Gaussian, $\rho_i$, de una estimación de punto a una distribución posterior Gaussiana $\rho_i \sim \mathcal{N}(m_i, s_i^2)$, manteniendo las posiciones y covarianzas como estimaciones de punto. Este enfoque de "Bayes parcial" permite que el parámetro de incertidumbre $s_i$ absorba la ambigüedad geométrica.
2. Objetivo de Entrenamiento: El modelo se entrena utilizando una estrategia de muestreo reparametrizada donde las densidades se muestrean como $\tilde{\rho}_i = m_i + \epsilon_i s_i$ (limitadas a valores no negativos). La función de pérdida incluye un término fotométrico (L1 + SSIM), regularización de variación total y un prior de Kullback-Leibler (KL). El prior KL es crítico: para las Gaussians no restringidas por ningún rayo (el espacio nulo de la tomografía de pocas vistas), el término de datos no proporciona gradiente, por lo que el prior ancla la incertidumbre $s_i$ a un valor base, asegurando que el modelo sea "incierto donde no hay observaciones".
3. Propagación de Forma Cerrada: Debido a la linealidad de las operaciones de proyección y voxelización (a diferencia del compositing de alfa no lineal en RGB), la varianza predictiva de la reconstrucción es la varianza de una suma ponderada de variables independientes. Esto produce expresiones exactas de forma cerrada tanto para el espacio de volumen ($\sigma^2(x) = \sum g_i(x)^2 s_i^2$) como para el espacio de proyección ($\text{Var}[I_p] = \sum w_{i,p}^2 s_i^2$).
4. Eficiencia de Implementación: Los autores demuestran que estos mapas de varianza pueden computarse en una sola pasada hacia adelante utilizando el rasterizador y el voxelizador existentes sin modificaciones de CUDA. Al explotar la identidad de que el cuadrado de un kernel Gaussiano reduce a la mitad su covarianza (escalando $S_i \to S_i/\sqrt{2}$), el sistema computa la varianza exacta. Este enfoque "B2" (forma cerrada) es de 2.5 a 10.4 veces más rápido que una referencia de Monte Carlo (B1), aunque B1 se utiliza para la evaluación de la calibración ya que aproxima mejor la distribución truncada utilizada durante el entrenamiento.
5. Protocolo de Calibración: El artículo introduce un protocolo de calibración riguroso utilizando tres métricas: correlación de rango de Spearman (orden espacial), AUSE (Área Bajo la Curva de Esparcimiento) y el Error de Calibración Esperado (ECE) escalado por temperatura. Se utiliza una estrategia de split-holdout para ajustar el escalar de temperatura $\tau$ en un subconjunto de vóxeles para evitar el sobreajuste.

Contribuciones Clave

1. Incertidumbre de Forma Cerrada Exacta: La derivación de la varianza predictiva exacta para Gaussians radiativas tanto en el espacio de volumen como en el de proyección, computable en una sola pasada. Es exacta debido a la naturaleza lineal de la renderización de rayos X, contrastando con los métodos aproximados requeridos para el RGB.
2. Estudio de Calibración Sistemático: La primera evaluación sistemática de la incertidumbre de la TC mediante Gaussian splatting contra el error real en 15 escenas y tres presupuestos de vistas. El estudio compara el posterior variacional contra ensambles profundos y un heurístico de perturbación basado en la trasplantación al espacio de vóxeles.
3. Análisis de Mecanismo de Selección de Vistas: Una disección controlada que revela que las puntuaciones de incertidumbre obtienen una prima medible sobre las reglas geométricas libres solo en regímenes específicos (contenido anisotrópico). En regímenes de cobertura degenerada, la función heurística actúa meramente como un detector de cobertura (reemplazable por reglas geométricas), y en regímenes isotrópicos, la selección de vistas es una decisión de bajo riesgo donde cualquier candidato es casi tan bueno como el mejor.
4. Adquisición Calibrada con Puerta de Cobertura (CGCA): Una política de adquisición propuesta que combina una puerta de cobertura geométrica libre de modelo (para prevenir el agrupamiento degenerado) con un esquema de madurez (puntuando solo en modelos convergidos) y la puntuación de varianza de forma cerrada. Esta política iguala las ganancias de adquisición de los heurísticos concurrentes a aproximadamente una décima parte del costo de puntuación.

Resultos

• Rendimiento de Calibración: En el benchmark oficial de 15 escenas, el posterior variacional clasifica el error de reconstrucción real (Spearman > 0.6) en 14 de 15 escenas a través de tres presupuestos de vistas. Nueve de estas escenas también cumplen el objetivo de calibración de magnitud (ECE escalado por temperatura < 0.1) tras un único escalado de temperatura.
• Comparación con Heurísticos: El heurístico concurrente de ensamble por perturbación, cuando se trasplanta al espacio de vóxeles, falla en correlacionarse con el error en varias escenas (correlación de rango tan baja como -0.08 en la escena "head"), a pesar de tener puntuaciones de ECE aceptables. Esto resalta que la calibración de magnitud por sí sola es insuficiente; la correlación de rango es esencial.
• Eficiencia: La varianza de forma cerrada (B2) está altamente correlacionada con la referencia de Monte Carlo (B1) (Pearson 0.80–0.88 en volumen, 0.94–0.95 en proyección), pero ofrece aceleraciones significativas.
• Política de Adquisición: En la evaluación de CGCA, la puerta de cobertura geométrica por sí sola evita el fallo catastrófico (agrupamiento degenerado). En regímenes anisotrópicos (abdomen), añadir la puntuación de incertidumbre mejora la calidad de la reconstrucción, mientras que en regímenes isotrópicos (pecho), la puntuación proporciona un beneficio insignificante e incluso puede degradar ligeramente el rendimiento debido al costo de puntuar modelos inmaduros.

Significancia y Reclamaciones
El artículo afirma que la incertidumbre por vóxel, calibrada y de forma cerrada, es un producto de primera clase para el Gaussian-splatting CT, distinto y superior al uso de la incertidumbre meramente como un proxy para la selección de vistas. Los autores argumentan que la adquisición es un consumidor "estructuralmente permisivo" de las señales de incertidumbre, ocultando a menudo una mala calibración, mientras que la toma de decisiones clínicas o posteriores requiere una localización de error por vóxel confiable.

El trabajo establece que:

• La cuantificación de la incertidumbre y la selección de vistas son productos separables; una puntuación útil para la adquisición no es necesariamente un buen mapa de incertidumbre.
• La estricta linealidad de la física de rayos X permite la propagación exacta de la incertidumbre, una propiedad no disponible en la renderización RGB.
• Una política de adquisición con principios (CGCA) debe basarse en la cobertura geométrica para prevenir modos de fallo y usar puntuaciones de incertidumbre calibradas solo donde proporcionan una prima medible (contenido anisotrópico).
• El posterior calibrado apunta hacia una regla de parada adaptativa a la dosis (detenerse cuando la incertidumbre cae por debajo de un umbral), aunque esto se propone como una implicación de diseño para trabajos futuros más que como algo validado experimentalmente en este artículo.

Los autores mantienen la modestia respecto a la generalización, señalando que todas las evaluaciones utilizan benchmarks sintéticos con verdad de campo exacta, y que la transferencia a datos clínicos reales permanece sin probar. También reconocen que el actual posterior de campo medio factorizado puede perder correlaciones finas en estados isotrópicos equilibrados, sugiriendo extensiones conscientes de la correlación como una dirección futura.