[Paper] NICE: 신경 암시적 두경부 모델을 이용한 악교정 수술 예측

Source: arXiv - 2512.05920v1

Overview

이 논문은 NICE (Neural Implicit Craniofacial Model) 라는 딥러닝 프레임워크를 소개한다. NICE는 악교정(턱 재배치) 수술 후 환자의 얼굴이 어떻게 변할지를 예측한다. 암시적 신경 표현(implicit neural representations)을 활용함으로써 기존의 생체역학 시뮬레이터보다 높은 정확도와 속도를 달성하여, 수술 후 시각화가 외과의와 환자 모두에게 더 신뢰할 수 있게 된다.

Key Contributions

• Implicit SDF‑based shape module: 별도의 신경 디코더가 얼굴 피부, 상악골, 하악골에 대한 부호 거리 함수(signed‑distance functions)를 학습하여, 희소한 임상 스캔으로부터 고충실도의 3‑D 재구성을 가능하게 한다.
• Region‑specific deformation decoders: 공유된 수술 잠재 코드가 전용 디코더를 구동해 점별 변위 필드를 출력함으로써 골 이동에 대한 비선형 연부 조직 반응을 포착한다.
• End‑to‑end trainable pipeline: 모델은 해부학과 수술 변형을 동시에 학습하여, 손으로 만든 생체역학 파라미터의 필요성을 감소시킨다.
• State‑of‑the‑art performance: 정량적 벤치마크에서 기존 파라메트릭 및 딥러닝 기반 베이스라인에 비해 입술·턱 등 고영향 영역에서 오류가 크게 감소함을 보인다.
• Clinical‑ready inference speed: 예측은 단일 GPU에서 몇 초 안에 완료되어 수술실 내 계획 도구에 적합하다.

Methodology

1. Data Representation – 환자 CT/MRI 스캔을 포인트 클라우드로 변환한다. 각 해부학적 영역(피부, 상악골, 하악골)은 작은 다층 퍼셉트론(MLP)으로 학습된 implicit Signed Distance Function (SDF) 로 인코딩된다. SDF는 점이 표면 안쪽인지 밖쪽인지를 알려주어, 명시적 메쉬 없이도 부드럽고 고해상도의 재구성을 가능하게 한다.

2. Shape Module – 세 개의 영역별 SDF 디코더가 동시에 학습되며, 환자의 전체 두개안면 기하학을 포착하는 저차원 잠재 벡터를 공유한다.

3. Surgery Module – 수술 잠재 코드(pre‑와 post‑operative 데이터를 통해 학습)는 세 개의 변형 디코더에 입력된다(각 영역당 하나). 각 디코더는 입력 점마다 3‑D 변위 벡터를 예측하여, 사전 수술 해부학을 기대되는 수술 후 형태로 “워핑”한다.

4. Training Objective – 손실 함수는 (i) SDF 재구성 오류, (ii) 예측된 포스트‑op 포인트 클라우드와 실제 포인트 클라우드 사이의 Chamfer 거리, (iii) 변형을 부드럽게 하고 해부학적 제약(예: 골 연속성)을 유지하도록 하는 정규화 항을 결합한다.

5. Inference – 새로운 환자의 사전 스캔과 계획된 골 이동(예: 상악 전진 5 mm)이 주어지면, 모델은 해부학을 인코딩하고 수술 코드를 주입한 뒤 즉시 예측된 얼굴 표면을 출력한다.

Results & Findings

• Higher fidelity in expressive regions: 모델은 시각적 영향이 큰 부위(입술, 턱)에서 오류를 감소시켜, 복잡한 연부 조직 역학 때문에 예측이 어려운 영역에서도 높은 정확도를 달성한다.
• Anatomical consistency: 공격적인 변형에도 불구하고 골 구조는 일관성을 유지하며, 비현실적인 자체 교차가 발생하지 않는다.
• Robustness to limited data: 1,000건 정도의 제한된 학습 사례만으로도 NICE는 밀집된 생체역학 메쉬가 필요한 파라메트릭 FEM 접근법보다 우수한 성능을 보인다.

Practical Implications

• Surgical Planning Tools – 기존 3‑D 계획 소프트웨어에 NICE를 통합하면 외과의가 제안된 골절 절단에 대한 즉각적인 시각적 피드백을 얻어, 수술실에 들어가기 전 교합 교정 전략을 미세 조정할 수 있다.
• Patient Communication – 실시간 고품질 얼굴 프리뷰는 환자에게 보다 명확한 정보를 제공하고, 기대치를 현실적으로 설정함으로써 수술 후 불만을 감소시킬 가능성이 있다.
• Automation of Workflow – 엔드‑투‑엔드 방식은 수동 메쉬 생성 및 유한 요소(FE) 보정을 없애 전처리 시간을 크게 단축시키며, 엔지니어링 리소스가 제한된 클리닉에서도 고급 예측을 도입할 수 있게 한다.
• Extension to Other Craniofacial Procedures – 암시적 표현 프레임워크는 외상 재건, 구순열 복구, 미용 확대 등 연부 조직 반응이 중요한 다른 두개안면 수술에도 재활용될 수 있다.

Limitations & Future Work

• Dataset Diversity – 학습 데이터는 주로 특정 인종 배경을 가진 성인 환자들로 구성되어 있어, 소아나 매우 다양한 얼굴 형태에 대한 성능은 아직 검증되지 않았다.
• Surgical Code Interpretability – 잠재 수술 벡터가 암시적으로 학습되므로, 향후 작업에서는 이를 명시적인 수술 파라미터(예: 상악 전진 거리)와 매핑해 임상의가 더 직접적으로 제어할 수 있게 해야 한다.
• Dynamic Soft‑Tissue Effects – 현재 모델은 정적인 수술 후 기하학만을 예측한다. 근육 활성화나 부종 등 시간에 따른 변화를 포함하면 임상적 활용도가 더욱 확대될 것이다.
• Regulatory Pathway – 추론 속도는 빠르지만, 임상 현장에 적용하기 위해서는 의료기기 규제 하에서 광범위한 검증이 필요하다고 저자들은 언급한다.

Authors

• Jiawen Yang
• Yihui Cao
• Xuanyu Tian
• Yuyao Zhang
• Hongjiang Wei

Paper Information

• arXiv ID: 2512.05920v1
• Categories: cs.CV, cs.LG
• Published: December 5, 2025
• PDF: Download PDF