[論文レビュー] Radioactive 3D Gaussian Ray Tracing for Tomographic Reconstruction

Ling Chen, Bao Yang|arXiv (Cornell University)|Feb 1, 2026

Medical Imaging Techniques and Applications被引用数 0

ひとこと要約

本論文は、3D Gaussian primitivesを通る解析的線積分を計算する3D Gaussian ray tracing フレームワークを提案し、splattedベースの手法に対して前方投影の精度と幾何学的柔軟性を向上させ、PETとCTの再構成を改善します。

ABSTRACT

3D Gaussian Splatting (3DGS) has recently emerged in computer vision as a promising rendering technique. By adapting the principles of Elliptical Weighted Average (EWA) splatting to a modern differentiable pipeline, 3DGS enables real-time, high-quality novel view synthesis. Building upon this, R2-Gaussian extended the 3DGS paradigm to tomographic reconstruction by rectifying integration bias, achieving state-of-the-art performance in computed tomography (CT). To enable differentiability, R2-Gaussian adopts a local affine approximation: each 3D Gaussian is locally mapped to a 2D Gaussian on the detector and composed via alpha blending to form projections. However, the affine approximation can degrade reconstruction quantitative accuracy and complicate the incorporation of nonlinear geometric corrections. To address these limitations, we propose a tomographic reconstruction framework based on 3D Gaussian ray tracing. Our approach provides two key advantages over splatting-based models: (i) it computes the line integral through 3D Gaussian primitives analytically, avoiding the local affine collapse and thus yielding a more physically consistent forward projection model; and (ii) the ray-tracing formulation gives explicit control over ray origins and directions, which facilitates the precise application of nonlinear geometric corrections, e.g., arc-correction used in positron emission tomography (PET). These properties extend the applicability of Gaussian-based reconstruction to a wider range of realistic tomography systems while improving projection accuracy.

研究の動機と目的

• 局所的なアフィンSplattingを超えるトモグラフィック再構成の精度と幾何学的忠実性を動機付ける。
• 3D Gaussian primitivesを通る解析的線積分を用いた微分可能な前方モデルを開発する。
• さまざまなスキャナー幾何学と非線形幾何補正（例：PETの円補正）に対する互換性を確保する。
• 投影データからGaussianパラメータを回復するための扱いやすい最適化フレームワークを提供する。

提案手法

• シーンを位置、共分散、密度、向きでパラメータ化された3D Gaussian primitiveで表現する。
• 単一の異方性3D Gaussianを光線に沿って解析的に線積分し、前方投影を得る（I(r) = sum_i ρ_i * sqrt(2π/A_i) * exp(-0.5*(C_i - B_i^2/A_i))）。
• BVHとGPU加速（OptiX）を用いた光線追跡でピクセルごとに光線をキャストし、解析的積分を蓄積する。
• PETの円弧や斜めLORsなど、異なるスキャナー幾何に合わせて光線起点・方向を柔軟に許容し、2D affine投影へ依存しない。
• 密度化と剪定の戦略を採用し、RTX 3080 Ti上でPyTorch/OptiX実装を用いて効率的な最適化を図る。
• PETおよびCTデータセットでR2-GaussianおよびOSEMと比較し、定量的指標と定性的画像品質を評価する。

実験結果

リサーチクエスチョン

• RQ1 解析的線積分を3D Gaussian primitivesを通して得ることで、局所的なアフィン的Splattingより物理的に正確な前方投影を提供できるか。
• RQ2 光線追跡ベースのGaussianフレームワークは、円補正PET配置を含む多様なスキャナー幾何をどう扱うか。
• RQ3 3D Gaussian ray tracing を用いた再構成は、R2-Gaussianおよび従来手法と比較してPETとCTの定量的・定性的改善をもたらすか。
• RQ4 この設定で解析的光線追跡とSplattingベースのアプローチの計算コスト（速度 vs. 精度）はどうなるか。
• RQ5 非線形幾何補正を readily に組み込み、完全に定量的なPET再構成へ拡張できるか。

主な発見

• 3D Gaussian の解析的線積分は、局所的なアフィン近似を回避した微分可能な前方投影を提供する。
• 任意の光線起点・方向をサポートするため、PETの円補正と斜めLORを正確にモデルできる。
• PET実験では、方法はほとんどのNEMA球体で最も高い定量精度を達成し、6球中5球で直径誤差5%以内、ベースラインに対してSBRが改善。
• 円補正は3点源モンテカルロ試験で空間分解能を改善し、源間のばらつきを低減。
• CT再構成は提案手法でPSNRがR2-Gaussianより高く、統計的に有意なPSNR増加（p = 0.0048）；SSIMは同程度。
• 実在的な脳PETデータの視覚的再構成は、OSEMおよびR2-Gaussianに対してより細かな解剖学的詳細とアーティファクトの低減を示した。
• 明示的な光線追跡のためSplattingベース手法より遅いが、幾何学的忠実度に優れ、さらなる加速の可能性を持つ。