基于可变形模型和神经网络的3D面部重建用于大面部手术:对人类测量准确性的初步评估
Zhewei Chen1, Binghang Li2, Bowen Lei1
1Department of Cranio-Maxillofacial Surgery, Plastic Surgery Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, People's Republic of China.
概括
这项研究表明,使用神经网络 (3DFRBN) 从2D图像进行3D面部重建,可以提供准确的人类测量. 该方法是各种应用中3D面部数据采集的方便工具.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人类测量学 人类测量学.
背景情况:
- 准确的3D面部重建对于各种医学和研究应用至关重要.
- 传统的3D扫描方法可能昂贵且耗时.
- 开发用于3D面部数据采集的高效方法是一个正在进行的研究领域.
研究的目的:
- 评估基于神经网络 (3DFRBN) 的2D图像的3D面部重建的人类测量准确性.
- 评估3DFRBN模型的全局错误,地标准确度和线性/角度测量.
- 确定3DFRBN的可行性,用于前性和后性3D面部数据采集.
主要方法:
- 30名健康的志愿者参与了这项研究.
- 对每个志愿者进行了五张标准的2D面部照片 (前方,45°,90°视图).
- 使用3DFRBN程序生成3D面部模型,并与3dMD捕获的模型进行准确性评估.
主要成果:
- 3DFRBN模型的平均根平均平方误差为1.52 ± 0.23毫米.
- 里程碑偏差平均为1.87±0.13毫米,在大多数测量中具有很高的可靠性 (ICCs>0.90).
- 线性和角度测量的平均误差分别为0.67mm和3.25°.
结论:
- 3DFRBN提供了一种用于3D面部数据采集的新,方便和准确的方法.
- 该方法显示了对追溯3D面部数据采集的巨大潜力.
- 这项技术可以使创伤和瘤重建以及回顾性研究等领域受益.
