基于深度学习的面部和骨转换用于外科计划
J Bao1,2,3,4,5, X Zhang6, S Xiang6
1Department of Oral and Craniomaxillofacial Surgery, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Journal of dental research
|May 29, 2024
概括
这项研究介绍了P2P-ConvGC,这是一个深度学习模型,用于精确的3D面部和骨形状预测在整形手术. 它通过精确地转换面部和骨形状来改善虚拟手术规划.
科学领域:
- 医疗成像医学成像
- 计算机辅助手术 计算机辅助手术
- 生物医学工程 生物医学工程
背景情况:
- 对面部和骨形状的准确预测对于视觉手术规划 (VSP) 在整形手术中至关重要.
- 由于复杂的解剖学和非线性,理解面关系和实现精确的软组织骨转变仍然具有挑战性.
研究的目的:
- 开发和验证一种新的双向3D深度学习框架 (P2P-ConvGC),用于准确的面部和骨形状之间的特定对象转换.
- 为了提高虚拟手术规划在整形手术程序的精度.
主要方法:
- 使用大规模数据集开发了一个双向的3D深度学习框架,P2P-ConvGC.
- 一个两阶段的点采样策略产生了高分辨率的面部和骨点子集作为输入.
- 独立的子网络预测了相应的骨和面部点子集.
主要成果:
- 在形状和里程碑错误计算方面,P2P-ConvGC的表现优于现有的最先进的算法.
- 标点的总误差为1.964 ± 0.904毫米 (头骨上部),2.398 ± 1.174毫米 (下) 和2.226 ± 0.774毫米 (面部软组织).
- 临床验证显示,平均表面偏差误差为0.895 ± 0.175毫米 (面部) 和0.906 ± 0.082毫米 (骨).
结论:
- P2P-ConvGC模型在对象特定的面部和骨形状预测方面表现出很高的性能.
- 该框架显示了术后面部预测和orthognathic手术中的VSP的显著临床应用潜力.
