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

技術要約：疎ビューCTにおける放射線ガウス・スプラッティングのための較正済み閉形式不確実性

問題提起
疎ビュー計算機断層撮影（CT）は、より少ないX線投影を用いることで患者の放射線量を低減させるが、これは再構成領域の多くが実測ではなく補間によって生成されるという、不良設定（ill-posed）な逆問題をもたらす。Radiative 3D Gaussian Splatting（具体的にはR2-Gaussian）は、この領域において高速かつ正確な再構成を可能にしてきたが、既存の手法は点推定値のみを出力する。これらは、再構成が信頼できる領域と、単なる自信を持った推測に過ぎない領域を区別するメカニメントを欠いている。現在の不確実性定量化の取り組みは限定的である。同時期の研究（Wuら）では、アンサンブルの不一致を純粋に獲得スコアとして使用しているが、それが再構成誤差との対応関係を検証したり、ボクセルごとの不確実性マップを生成したりすることまでは行っていない。さらに、ガウス・スプラッティングにおける不確実性の文献は主にRGBレンダリングに限定されており、非線形なアルファ・コンポジティングが近似的な分散伝播を強いるが、X線イメージングは厳密に線形な透過物理学を伴い、これが未利用のまま残されている。

手法
著者らは、X線レンダリングの厳密な線形性を利用して、放射線ガウス・スプラッティングのための正確で閉形式（closed-form）の不確実性伝播を導出するフレームワークを提案する。

1. 変分密度事後分布： 本手法は、各ガウス関数の中心密度 $\rho_i$ を、位置と共分散を点推定として維持したまま、点推定からガウス事後分布 $\rho_i \sim \mathcal{N}(m_i, s_i^2)$ へと引き上げる。「部分的ベイズ（partial Bayes）」アプローチにより、この不確実性パラメータ $s_i$ が幾何学的曖昧さを吸収することを可能にする。
2. 学習目的関数： モデルは、密度を $\tilde{\rho}_i = m_i + \epsilon_i s_i$（非負にクランプされる）としてサンプリングする再パラメータ化サンプリング戦略を用いて学習される。損失関数には、フォトメトリック項（L1 + SSIM）、全変動正則化、およびカルバック・ライブラー（KL）事前分布が含まれる。KL事前分布は極めて重要である。任意のレイによって制約を受けないガウス関数（疎ビュー・トモグラフィの零空間）に対しては、データ項は勾配を提供しないため、事前分布が $s_i$ をベースライン値に固定し、「観測されていない場所では不確実である」ことを保証する。
3. 閉形式の伝播： 投影およびボクセル化操作が（RGBの非線形なアルファ・コンポジティングとは異なり）線形であるため、予測分散は独立変数の加重和の分散となる。これにより、体積空間（$\sigma^2(x) = \sum g_i(x)^2 s_i^2$）および投影空間（$\text{Var}[I_p] = \sum w_{i,p}^2 s_i^2$）の両方について、正確な閉形式の式が得られる。
4. 実装の効率性： 著者らは、これらの分散マップが、CUDAの修正なしに既存のラスタライザとボクセル化器を用いて単一のフォワードパスで計算可能であることを示している。ガウスカーネルの二乗が共分散を半分にする（$S_i \to S_i/\sqrt{2}$）という性質を利用することで、システムは正確な分散を計算する。この「B2（閉形式）」アプローチは、モンテカルロ（B1）参照手法よりも2.5〜10.4倍高速である。ただし、学習時に使用された切断分布をより良く近似するため、較正評価にはB1が使用されている。
5. 較正プロトコル： 本論文は、3つの指標（スペアマン順位相関係数、AUSE（Sparsification曲線の下端面積）、および温度スケーリングされた期待較正誤差（ECE））を用いた厳格な較正プロトコルを導入している。分割ホールドアウト戦略を用いて、ボクセルのサブセットに対して温度スカラー $\tau$ を適合させ、過学習を防いでいる。

主な貢献

1. 正確な閉形式の不確実性： 体積空間および投影空間の両方において、放射線ガウスにおける予測分散を単一パスで計算可能な正確な導出を行った。これは、RGBレンダリングで必要とされる近似的な手法とは対照的に、X線物理の線形性により正確である。
2. 体系的な較正研究： 15のシーンと3つのビュー予算に対し、真の再構成誤差に対する検証を行うことで、ガウス・スプラッティングCTの不確実性を体系的に評価した。本研究は、変分事後分布をディープアンサンブルおよびボクセル空間に転送された摂動ベースのヒューリスティックと比較ベンチマークを行っている。
3. ビュー選択のメカニズム分析： 不確実性スコアが、自由な幾何学的ルールよりも高いプレミアムを稼ぎ出すのは、特定の領域（異方性コンテンツ）においてのみであることを明らかにする制御された解剖学的解析。退化した被覆領域においては、ヒューリスティックは単なる被覆検出器として機能し（幾何学的ルールで代替可能）、等方的な領域においては、ビュー選択は決定の重要性が低く、どの候補も最適解に近い。
4. 被覆ゲート付き、較正済み獲得（CGCA）： 幾何学的被覆ゲート（退化したクラスタリングを防ぐため）と成熟度スケジュール（収束したモデルに対してのみスコアリングを行う）および閉形式の分散スコアを組み合わせた獲得ポリシーを提案する。このポリシーは、獲得の利得において、同時期のヒューリスティックと同等の性能を、約10分の1のスコアリングコストで達成する。

結果

• 較正性能： 公式の15シーンのベンチマークにおいて、変分事後分布は、3つのビュー予算にわたる15シーン中14のシーンで、真の再構成誤差をランク付け（Spearman > 0.6）した。そのうち9つのシーンは、単一の温度スケーリング後に、大きさの較正ターゲット（温度スケーリング済みECE < 0.1）を満たしている。
• ヒューリスティックとの比較： ボクセル空間に転送された同時期の摂動アンサンブル・ヒューリスティックは、いくつかのシーンで誤差と相関せず（ランク相関が最低 -0.08まで低下）、適切なECEスコアを持っているにもかかわらず、失敗している。これは、大きさの較正だけでは不十分であり、ランク相関係数が不可欠であることを強調している。
• 効率性： 閉形式（B2）の分散は、モンテカルロ（B1）参照と高い相関を示している（体積でピアソン 0.80–0.88、投影で 0.94–0.95）が、大幅な高速化を実現している。
• 獲得ポリシー： CGCA評価において、幾何学的被覆ゲート単独でも壊滅的な失敗（退化したクラスタリング）を防ぐことができる。異方的な領域（腹部）では、不確実性スコアを加えることで再構成品質が向上するが、等方的な領域（胸部）では、スコアは無視できる程度の利益しか提供せず、未成熟なモデルへのスコアリングコストにより性能をわずかに低下させる可能性さえある。

意義と主張
本論文は、較正された閉形式のボクセルごとの不確実性が、単にビュー選択のプロキシとして使用されることとは異なる、ガウス・スプラッティングCTにとっての一級の成果物であることを主張している。著者らは、獲得プロセスは不確実性信号に対して「構造的に寛容」であり、しばしば不完全な較正を隠蔽してしまうが、臨床的またはダウンストリームの意思決定には、信頼できるボクセルごとの誤差局在化が必要であると論じている。

本研究は以下を確立している：

• 不確実性定量化とビュー選択は分離可能な製品であり、獲得に有用なスコアが必ずしも優れた不確実性マップであるとは限らない。
• X線物理の厳密な線形性は、RGBレンダリングでは利用できない正確な不確実性伝播を可能にする。
• 根源的な獲得ポリシー（CGGA）は、幾何学的被覆に依存して失敗モードを防ぎ、較正された不確実性スコアは、それが測定可能なプレミアムを提供する場合にのみ（異方性コンテンツ）使用すべきである。
• 較正された事後分布は、用量適応型の停止ルール（不確実性が閾値を下回ったときに停止する）への道筋を示唆しているが、これは将来の研究への設計上の示唆として提案されており、本論文内で実験的に検証されたものではない。

著者らは、すべての評価が厳密なグラウンドトゥルースを持つ合成ベンチマークを使用していることを挙げ、汎用性については慎重な姿勢を保っており、実際の臨床データへの転用は未検証であるとしている。また、現在の因子分解された平均場事後分布は、バランスの取れた等方的な状態における微細な相関を見逃している可能性があることを認め、相関を考慮した拡張を将来の方向性として示唆している。