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

Technische Samenvatting: Gecalibreerde Closed-Form Onzekerheid voor Radiatieve Gaussian Splatting in Sparse-View CT

Probleemstelling
Sparse-view computed tomography (CT) vermindert de stralingsdosis voor de patiënt door minder röntgenprojecties te verwerven, wat resulteert in een slecht gestelbaar invers probleem waarbij grote regio's van de reconstructie worden geïnterpoleerd in plaats van gemeten. Hoewel Radiative 3D Gaussian Splatting (specifiek R2-Gaussian) een snelle en nauwkeurige reconstructie in dit regime mogelijk heeft gemaakt, geven bestaande methoden alleen punt-schattingen weer. Ze missen een mechanisme om aan te geven waar de reconstructie betrouwbaar is versus waar het een zelfverzekerd geraden waarde is. De huidige inspanningen op het gebied van onzekerheidskwantificatie in deze ruimte zijn beperkt: gelijktijdige studies (Wu et al.) gebruiken ensemble-discrepantie puur als een acquisitie-score zonder de correspondentie met reconstructiefouten te valideren of per-voxel onzekerheidskaarten te produceren. De literatuur over onzekerheid binnen Gaussian splatting is grotendeels beperkt tot RGB-rendering, waarbij niet-lineaire alfa-compositering een benadering van variantie-propagatie afdwingt, terwijl röntgenbeeldvorming een strikt lineaire transmissieve fysica betreft die onbenut blijft voor exacte onzekerheidspropagatie.

Methodologie
De auteurs stellen een raamwerk voor dat gebruikmaakt van de strikte lineariteit van röntgen-rendering om exacte, closed-form onzekerheidspropagatie voor radiatieve Gaussian splatting af te leiden.

1. Variational Density Posterior: De methode tilt de centrale dichtheid van elke Gaussian, $\rho_i$, van een punt-schatting naar een Gaussische posterior distributie $\rho_i \sim \mathcal{N}(m_i, s_i^2)$, terwijl posities en covarianten als punt-schattingen behouden blijven. Deze "partiële Bayes"-aanpak stelt de onzekerheidsparameter $s_i$ in staat om geometrische ambiguïteit te absorberen.
2. Trainingsdoel: Het model wordt getraind met een herparameteriseerde bemonsteringsstrategie waarbij dichtheden worden gesampled als $\tilde{\rho}_i = m_i + \epsilon_i s_i$ (afgeklemd op niet-negatief). De verliesfunctie bevat een fotometrische term (L1 + SSIM), total variation regularisatie en een Kullback-Leibler (KL) prior. De KL-prior is cruciaal: voor Gaussians die niet geconstrueerd worden door enige straal (de nulruimte van sparse-view tomografie), levert de data-term geen gradiënt op, waardoor de prior de onzekerheid $s_i$ verankert aan een basiswaarde, wat garandeert dat het model "onzeker is waar ongeobserveerd".
3. Closed-Form Propagatie: Vanwege de lineariteit van de projectie- en voxelisatie-operaties (in tegenstelling tot de niet-lineaire alfa-compositering in RGB), is de voorspellende variantie van de reconstructie de variantie van een gewogen som van onafhankelijke variabelen. Dit levert exacte closed-form expressies op voor zowel de volumetrische ruimte ($\sigma^2(x) = \sum g_i(x)^2 s_i^2$) als de projectieruimte ($\text{Var}[I_p] = \sum w_{i,p}^2 s_i^2$).
4. Implementatie-efficiëntie: De auteurs demonstreren dat deze variantiekaarten in een enkele forward pass kunnen worden berekend met de bestaande rasterizer en voxelizer zonder CUDA-modificaties. Door gebruik te maken van de identiteit dat het kwadrateren van een Gaussian-kernel de covariantie halveert (schaling $S_i \to S_i/\sqrt{2}$), berekent het systeem de exacte variantie. Deze "B2" (closed-form) benadering is 2,5–10,4× sneller dan een Monte Carlo (B1) referentie, hoewel B1 wordt gebruikt voor de kalibratie-evaluatie omdat deze de getrunceerde distributie die tijdens de training wordt gebruikt beter benadert.
5. Kalibratieprotocol: Het paper introduceert een rigoureus kalibratieprotocol met drie metrieken: Spearman rangcorrelatie (ruimtelijke ordening), AUSE (Area Under the Sparsification Curve) en temperatuur-geschaalde Expected Calibration Error (ECE). Een split-holdout strategie wordt gebruikt om de temperatuur-scalar $\tau$ op een subset van voxels te fitten om overfitting te voorkomen.

Belangrijkste Bijdragen

1. Exacte Closed-Form Onzekerheid: De afleiding van exacte voorspellende variantie voor radiatieve Gaussians in zowel volume- als projectieruimte, berekenbaar in een enkele pass. Dit is exact vanwege de lineaire aard van röntgen-rendering, in contrast met de benaderde methoden die vereist zijn voor RGB-splatting.
2. Systematische Kalibratiestudie: De eerste systematische evaluatie van Gaussian-splatting CT onzekerheid tegen grondwaarheid fout over 15 scènes en drie view-budgetten. De studie benchmarkt de variational posterior tegen deep ensembles en een perturbatie-gebaseerde heuristiek die naar de voxelruimte is getransplanteerd.
3. Mechanisme-analyse van View Selectie: Een gecontroleerde dissectie die aantoont dat onzekerheidsscores een meetbare premie verdienen boven vrije geometrische regels in specifieke regimes (anisotrope inhoud). In degeneratieve coverage-regimes fungeert de heuristiek slechts als een coverage-detector (vervangbaar door geometrische regels), en in isotrope regimes is view selectie een beslissing met lage inzet waarbij elke kandidaat bijna even goed is als de beste.
4. Coverage-Gated, Calibrated Acquisition (CGCA): Een voorgestelde acquisitie-policy die een model-vrije geometrische coverage gate combineert (om degeneratieve clustering te voorkomen) met een maturiteitsschema (alleen scoren op geconvergeerde modellen) en de closed-form variantie-score. Deze policy evenaart de acquisitie-winsten van gelijktijdige heuristieken tegen ongeveer een tiende van de scoring-kosten.

Resultaten

• Kalibratieprestaties: Op de officiële 15-scène benchmark rangschikt de variational posterior de werkelijke reconstructiefout (Spearman > 0,6) in 14 van de 15 scènes over drie view-budgetten. Negen van deze scènes voldoen ook aan de magnitude-kalibratietarget (temperatuur-geschaalde ECE < 0,1) na een enkele temperatuur-scaling.
• Vergelijking met Heuristieken: De gelijktijdige perturbatie-ensemble heuristiek, wanneer deze naar de voxelruimte is getransplanteerd, faalt in het correleren met fout in verschillende scènes (rangcorrelatie zo laag als -0,08 op de "head" scène), ondanks acceptabele ECE-scores. Dit benadrukt dat magnitude-kalibratie alleen onvoldoende is; rangcorrelatie is essentieel.
• Efficiëntie: De closed-form (B2) variantie correleert sterk met de Monte Carlo (B1) referentie (Pearson 0,80–0,88 in volume, 0,94–0,95 in projectie), maar biedt significante versnellingen.
• Acquisitie-policy: In de CGCA-evaluatie voorkomt de geometrische coverage gate alleen al catastrofaal falen (degeneratieve clustering). In anisotrope regimes (abdomen) verbetert het toevoegen van de onzekerheidsscore de reconstructiekwaliteit, terwijl in isotrope regimes (borstkas) de score een verwaarloosbaar voordeel biedt en zelfs de prestaties licht kan verslechteren door de kosten van het scoren van onvolwassen modellen.

Betekenis en Claims
Het paper claimt dat gekalibreerde, closed-form, per-voxel onzekerheid een "first-class deliverable" is voor Gaussian-splatting CT, onderscheidend van en superieur aan het louter gebruiken van onzekerheid als proxy voor view selectie. De auteurs stellen dat acquisitie een "structureel vergevingsgezinde" consument is van onzekerheidssignalen, wat slechte kalibratie vaak maskeert, terwijl klinische of downstream besluitvorming betrouwbare per-voxel foutlokalisatie vereist.

Het werk stelt vast dat:

• Onzekerheidskwantificatie en view selectie scheidbare producten zijn; een score die nuttig is voor acquisitie is niet noodzakelijkerwijs een goede onzekerheidskaart.
• De strikte lineariteit van röntgenfysica exacte onzekerheidspropagatie toelaat, een eigenschap die niet beschikbaar is in RGB-rendering.
• Een principiële acquisitie-policy (CGGA) moet vertrouwen op geometrische coverage om faalmodi te voorkomen en de gekalibreerde onzekerheidsscores alleen te gebruiken waar ze een meetbare premie bieden (anisotrope inhoud).
• De gekalibreerde posterior wijst richting een dosis-adaptieve stopregel (stoppen wanneer onzekerheid onder een drempelwaarde valt), hoewel dit als een ontwerpimplicatie voor toekomstig werk wordt voorgesteld in plaats van experimenteel gevalideerd in dit paper.

De auteurs blijven bescheiden over generalisatie en merken op dat alle evaluaties gebruikmaken van synthetische benchmarks met exacte grondwaarheid, en dat transfer naar echte klinische data nog niet is getest. Ze erkennen ook dat de huidige gefactoriseerde mean-field posterior fijne correlaties in gebalanceerde isotrope staten kan missen, wat suggereert dat correlatie-bewuste uitbreidingen een toekomstige richting zijn.