[論文レビュー] Self-Supervised Slice-to-Volume Reconstruction with Gaussian Representations for Fetal MRI

Yinsong Wang, Thomas Fletcher+4 more|arXiv (Cornell University)|Jan 30, 2026

Fetal and Pediatric Neurological Disorders被引用数 0

ひとこと要約

GaussianSVR は 3D Gaussian primitives を用いて胎児脳体積をモデル化し、自己教師付きの多解像度トレーニングとシミュレートされたスライス取得モデルにより Gaussian パラメータと SVR のスライス変換を共同推定する。

ABSTRACT

Reconstructing 3D fetal MR volumes from motion-corrupted stacks of 2D slices is a crucial and challenging task. Conventional slice-to-volume reconstruction (SVR) methods are time-consuming and require multiple orthogonal stacks for reconstruction. While learning-based SVR approaches have significantly reduced the time required at the inference stage, they heavily rely on ground truth information for training, which is inaccessible in practice. To address these challenges, we propose GaussianSVR, a self-supervised framework for slice-to-volume reconstruction. GaussianSVR represents the target volume using 3D Gaussian representations to achieve high-fidelity reconstruction. It leverages a simulated forward slice acquisition model to enable self-supervised training, alleviating the need for ground-truth volumes. Furthermore, to enhance both accuracy and efficiency, we introduce a multi-resolution training strategy that jointly optimizes Gaussian parameters and spatial transformations across different resolution levels. Experiments show that GaussianSVR outperforms the baseline methods on fetal MR volumetric reconstruction. Code will be available upon acceptance.

研究の動機と目的

• モーション破損と限られた正解データにもかかわらず、頑健な 3D 胎児 MRI 再構成を動機づける。
• 体積再構成のための 3D Gaussian 表現を提案し、局所化された正則化モデリングを可能にする。
• シミュレートされた前方スライス取得モデルを用いた自己教師付きトレーニングフレームワークを開発する。
• スケール間で Gaussian パラメータと動作を共同推定する多解像度最適化戦略を導入する。

提案手法

• ターゲット体積をパラメータ (mu, Sigma, I) を持つ 3D Gaussian primitive の集合として表現する。
• 自己監督のために 3D Gaussian ボリュームを 2D スライスへ射影する前方スライス取得モデルをレンダリングする。
• 各 Gaussian の 3 σ の範囲内で局所的な 3D Gaussian ベースの強度蓄積を用いて V(x) を計算する。
• L1 データ忠実度、D-SSIM、TV 正規化を組み合わせたロスを最小化して Gaussian とスライス変換パラメータをエンドツーエンドで最適化する。
• 頑健性のための低解像度最適化を含む二段階の多解像度トレーニングを適用し、次に高解像度で精緻化する。
• 各スライスについて、シミュレートされた PSF ベースの 3D Gaussian レンダリングと前方モデル y_i = D B T_i x を適用する。

実験結果

リサーチクエスチョン

• RQ1 3D Gaussian 表現は運動で破損したスライスから高忠実な胎児脳体積再構成を達成できるか？
• RQ2 前方スライス取得モデルを用いた自己教師付きトレーニングフレームワークは正解データとなる体積の必要性を排除できるか？
• RQ3 粗から細への（多解像度）最適化は単一解像度法より収束と再構成品質を改善するか？
• RQ4 Gaussian パラメータとスライス変換の相互作用は INR ベースや従来法と比較して SVR の性能をどう向上させるか？

主な発見

Methods	PSNR / dB ↑	SSIM ↑	NRMSE ↓
NiftyMIC	21.17*(1.95)	0.7653*(0.0559)	0.0989*(0.0234)
SVoRT	23.98*(2.65)	0.8209*(0.0618)	0.0905*(0.1227)
NeSVoR	25.58*(1.81)	0.8940*(0.0407)	0.0536(0.0105)
GaussianSVR (Ours)	28.19 (3.02)	0.9281 (0.0552)	0.0468 (0.0219)

• GaussianSVR は FeTA データ上でベースラインより高い再構成品質を示し、PSNR 28.19 dB、SSIM 0.9281、NRMSE 0.0468。
• PSNR で NeSVoR を 2.9% 上回り、より良い SSIM と低い NRMSE を達成。
• アブレーションにより、多解像度または共同変換最適化を欠くと性能が劣化することを示す。
• 定性的な結果は GaussianSVR が基準法よりも細かい解剖学的ディテールとシャープな体積を再構成することを示唆。