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

Resumo Técnico: FaCT-GS

1. O Problema

A Tomografia Computadorizada (TC) de raios-X, especialmente em cenários de visão esparsa (poucas projeções), enfrenta um dilema fundamental entre qualidade de reconstrução e custo computacional.

• Métodos Clássicos: Algoritmos algébricos tradicionais (como FISTA e SIRT) são rápidos, mas frequentemente produzem artefatos residuais e fidelidade reduzida em cenários de poucas projeções.
• Métodos Baseados em Aprendizado (NeRF e GS): Técnicas recentes, como Campos de Radiância Neural (NeRF) e Gaussian Splatting (GS), oferecem qualidade superior, mas sofrem de custos computacionais proibitivos. O estado da arte anterior (R2-Gaussian), embora mais rápido que os NeRFs, ainda é significativamente mais lento que os métodos clássicos e não escala bem para resoluções modernas de scanners (1k e 2k), tornando sua adoção prática inviável para aplicações em tempo real ou de alto volume.

2. Metodologia

O FaCT-GS (Fast and Scalable CT Reconstruction with Gaussian Splatting) é um pipeline de reconstrução projetado para superar as limitações de velocidade e escalabilidade do Gaussian Splatting aplicado à TC. A abordagem baseia-se na modelagem do campo de atenuação como uma coleção de kernels gaussianos 3D aprendíveis, mas com otimizações profundas em três pilares principais:

• Otimização de Pipelines de Rasterização e Voxelização:

  • Rasterização: Otimização dos kernels CUDA para eliminar gargalos de bounding box ineficientes e conflitos de escrita no backward pass. Otimizações incluem o uso de caixas delimitadoras retangulares alinhadas aos eixos e a reformulação do cálculo de gradientes por gaussiana em vez de por pixel.
  • Voxelização: Aceleração significativa da discretização do espaço 3D, removendo a lógica de ordenação de oclusão (desnecessária em TC, onde a ordem de integração não afeta o sinal) e compactando os dados em estruturas de memória eficientes (float4).
  • Resultado: Acelerações de até 22× na rasterização e impactos profundos na voxelização em comparação com o R2-Gaussian.

• Estratégias de Inicialização (Warm Start):

  • Introduz duas novas estratégias para inicializar os parâmetros dos gaussianos, evitando o "cold start" (inicialização aleatória ou baseada apenas em intensidade):
    1. Baseada em Gradiente: Amostragem de posições baseada na magnitude do gradiente de uma reconstrução FDK rápida, focando em características de alta frequência.
    2. Ajuste Rápido de Volume (Volume Fitting): Ajuste direto dos gaussianos a um volume pré-existente (priori volumétrica), permitindo um "warm start" eficiente que acelera a convergência, similar a métodos algébricos clássicos.

• Aceleração de Funções de Perda:

  • Implementação de kernels CUDA fundidos (fused kernels) para o cálculo de perdas 2D e 3D (SSIM e Variação Total - TV), reduzindo o tráfego de memória e a sobrecarga de lançamento de kernels.

3. Principais Contribuições

1. FaCT-GS Framework: Um pipeline completo de reconstrução TC baseado em Gaussian Splatting que é 4× mais rápido que o R2-Gaussian em projeções padrão (512²) e 13× mais rápido em projeções de alta resolução (2k).
2. Escalabilidade Excepcional: O método mantém alta performance e qualidade à medida que o tamanho das projeções e volumes aumenta, superando tanto métodos clássicos (FISTA) quanto métodos de aprendizado anteriores em tempos de execução para grandes volumes.
3. Inicialização por Volume (Priori): Demonstra a viabilidade de usar volumes existentes para inicializar a reconstrução via ajuste de gaussianos, permitindo reinicialização rápida em monitoramento de pacientes ou varreduras repetidas.
4. Compressão de Dados: Propõe o uso da representação gaussiana como um formato de armazenamento compacto para volumes 3D, alcançando taxas de compressão superiores a JPEGs empilhados e comparáveis a volumes uint8 compactados, com perda de qualidade mínima.

4. Resultados

Os experimentos foram conduzidos em conjuntos de dados sintéticos e reais (incluindo datasets FIPS e R2-Gaussian) com resoluções de 256³ a 1024³ e diferentes números de projeções (25, 50, 75).

• Velocidade e Qualidade:
  • Em 75 projeções (512²), o FaCT-GS atinge uma qualidade de reconstrução (SSIM) superior a 0.949 em apenas 1m52s, superando o FISTA (que leva ~55s, mas com qualidade inferior) e o R2-Gaussian (que leva ~9min).
  • Em cenários de 2k projeções, o FaCT-GS é 13× mais rápido que o R2-Gaussian.
  • O método atinge convergência útil (SSIM > 0.9) em menos de 45 segundos em alguns casos.
• Escalabilidade:
  • Enquanto o tempo de iteração do FISTA cresce drasticamente com o tamanho do volume, o FaCT-GS escala de forma mais suave, tornando-se a opção mais rápida para volumes grandes.
• Inicialização:
  • A estratégia de warm start baseada em prior volumétrica reduz o número de iterações necessárias para atingir a qualidade máxima em cerca de 40% (apenas ~60% das iterações do cold start são necessárias).
• Compressão:
  • A representação gaussiana quantizada ocupa 0.84 MB para um volume que, em formato raw float32, ocuparia 64 MB, mantendo um SSIM médio de 0.976 (superior a stacks de JPEG).

5. Significado e Impacto

O FaCT-GS representa um marco na transição de métodos de reconstrução baseados em aprendizado para a prática clínica e industrial. Ao resolver o gargalo de velocidade, ele torna viável o uso de técnicas de visão esparsa em:

• Inspeção Industrial em Linha: Onde a velocidade de reconstrução é crítica.
• Monitoramento de Pacientes: Permitindo reconstruções rápidas e repetidas com baixa dose de radiação.
• Armazenamento Eficiente: Oferecendo uma nova forma de compactar dados volumétricos médicos sem perda significativa de informação.

Em suma, o FaCT-GS não apenas melhora a qualidade da reconstrução TC, mas também alinha o desempenho computacional com os requisitos práticos dos scanners modernos, posicionando o Gaussian Splatting como uma alternativa viável e superior aos métodos algébricos tradicionais.