DSA-SRGS: 동적 희소 시야 DSA 재구성을 위한 초해상도 가우시안 스플래팅

DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction

디지털 감산 혈관조영술(DSA)은 뇌혈관 질환의 보조 진단 및 치료를 위한 핵심 영상 기술입니다. 최근 가우시안 스플래팅 및 동적 신경 표현 기술의 발전으로 희소한 동적 데이터를 기반으로 견고한 3차원 혈관 재구성이 가능해졌습니다. 그러나 이러한 방법들은 입력 투영체의 해상도에 근본적으로 제약되며, 렌더링 해상도를 향상시키기 위해 단순한 업샘플링을 수행하면 심각한 블러링 및 에이리어싱 아티팩트가 발생합니다. 이러한 초해상도 기능의 부족은 재구성된 4차원 모델이 미세한 혈관 세부 사항과 복잡한 분지 구조를 복원하는 것을 방해하여 정밀 진단 및 치료에 적용하는 데 제한을 둡니다. 이 문제를 해결하기 위해, 본 논문에서는 동적 희소 시야 DSA 재구성을 위한 첫 번째 초해상도 가우시안 스플래팅 프레임워크인 DSA-SRGS를 제안합니다. 특히, 미세 조정된 DSA 전용 초해상도 모델로부터 고품질의 사전 정보를 4차원 재구성을 최적화하는 데 통합하는 Multi-Fidelity Texture Learning 모듈을 도입했습니다. 가짜 레이블에서 발생할 수 있는 환각 아티팩트를 완화하기 위해, 이 모듈은 Confidence-Aware Strategy를 사용하여 원본 저해상도 투영체와 생성된 고해상도 가짜 레이블 간의 감독 신호를 적응적으로 가중합니다. 또한, 고해상도 서브픽셀 샘플링으로부터 얻은 기울기 누적을 활용하여 4차원 방사형 가우시안 커널을 개선하는 적응적 전략인 Radiative Sub-Pixel Densification을 개발했습니다. 두 개의 임상 DSA 데이터 세트에 대한 광범위한 실험 결과, DSA-SRGS는 정량적 지표 및 정성적 시각적 충실도 측면에서 최첨단 방법보다 훨씬 우수한 성능을 보이는 것으로 나타났습니다.

Digital subtraction angiography (DSA) is a key imaging technique for the auxiliary diagnosis and treatment of cerebrovascular diseases. Recent advancements in gaussian splatting and dynamic neural representations have enabled robust 3D vessel reconstruction from sparse dynamic inputs. However, these methods are fundamentally constrained by the resolution of input projections, where performing naive upsampling to enhance rendering resolution inevitably results in severe blurring and aliasing artifacts. Such lack of super-resolution capability prevents the reconstructed 4D models from recovering fine-grained vascular details and intricate branching structures, which restricts their application in precision diagnosis and treatment. To solve this problem, this paper proposes DSA-SRGS, the first super-resolution gaussian splatting framework for dynamic sparse-view DSA reconstruction. Specifically, we introduce a Multi-Fidelity Texture Learning Module that integrates high-quality priors from a fine-tuned DSA-specific super-resolution model, into the 4D reconstruction optimization. To mitigate potential hallucination artifacts from pseudo-labels, this module employs a Confidence-Aware Strategy to adaptively weight supervision signals between the original low-resolution projections and the generated high-resolution pseudo-labels. Furthermore, we develop Radiative Sub-Pixel Densification, an adaptive strategy that leverages gradient accumulation from high-resolution sub-pixel sampling to refine the 4D radiative gaussian kernels. Extensive experiments on two clinical DSA datasets demonstrate that DSA-SRGS significantly outperforms state-of-the-art methods in both quantitative metrics and qualitative visual fidelity.