[Paper] NICE：神经隐式颅面模型用于正颌手术预测

Source: arXiv - 2512.05920v1

概览

本文提出了 NICE（Neural Implicit Craniofacial Model），一种深度学习框架，用于预测患者在正颌（下颌矫正）手术后的面部外观。通过利用隐式神经表示，作者实现了比传统生物力学模拟器更高的精度和速度，使术后可视化对外科医生和患者更可靠。

主要贡献

• 基于隐式 SDF 的形状模块：独立的神经解码器学习面部皮肤、上颌骨和下颌骨的有符号距离函数（signed‑distance function），实现了从稀疏临床扫描中高保真 3‑D 重建。
• 区域特定的变形解码器：共享的手术潜在代码驱动专用解码器，输出点级位移场，捕捉骨骼运动引起的非线性软组织响应。
• 端到端可训练流水线：模型同时学习解剖结构和手术变形，减少了对手工构建的生物力学参数的依赖。
• 领先的性能：定量基准显示，在高影响区域（嘴唇、下巴）相较于现有参数化和深度学习基线显著降低误差。
• 临床级推理速度：在单个 GPU 上预测仅需数秒，适用于术中规划工具。

方法论

1. 数据表示 – 将患者 CT/MRI 扫描转换为点云。每个解剖区域（皮肤、上颌骨、下颌骨）由一个 隐式有符号距离函数 (SDF) 通过小型多层感知机（MLP）学习。SDF 能判断点位于表面内部还是外部，从而在无需显式网格的情况下实现平滑、高分辨率的重建。

2. 形状模块 – 三个区域特定的 SDF 解码器同步训练，共享一个低维潜在向量，用于捕捉患者整体颅面几何。

3. 手术模块 – 一个 手术潜在代码（从术前/术后数据中学习）输入到三个变形解码器（每个区域一个），每个解码器为每个输入点预测一个 3‑D 位移向量，实质上将术前解剖“扭曲”到预期的术后形状。

4. 训练目标 – 损失函数结合 (i) SDF 重建误差，(ii) 预测与真实术后点云之间的 Chamfer 距离，及 (iii) 强制平滑变形并保持解剖约束（如骨骼连续性）的正则项。

5. 推理 – 给定新患者的术前扫描和计划的骨骼移动（例如上颌前移 5 mm），模型编码解剖结构，注入手术代码，立即输出预测的面部表面。

结果与发现

• 在表情关键区域实现更高保真度：模型显著降低了视觉影响最大的区域（嘴唇、下巴）的误差，这些区域因软组织动力学复杂而传统上难以预测。
• 解剖一致性：即使在大幅变形的情况下，骨骼结构仍保持连贯，且不存在不现实的自交。
• 对有限数据的鲁棒性：即便仅使用 1,000 例训练数据，NICE 仍优于需要密集生物力学网格的参数化 FEM 方法。

实际意义

• 手术规划工具 – 将 NICE 集成到现有 3‑D 规划软件中，可为外科医生提供手术切口的即时视觉反馈，帮助在进入手术室前优化咬合矫正策略。
• 患者沟通 – 实时、高质量的面部预览可提升知情同意质量，设定更 realistic 的期望，可能降低术后不满意率。
• 工作流自动化 – 端到端的特性消除了手动网格生成和有限元校准，缩短前处理时间，使资源有限的诊所也能采用先进的预测技术。
• 拓展至其他颅面手术 – 隐式表示框架可重新用于创伤重建、唇腭裂修复或美容增容等软组织响应关键的手术。

局限性与未来工作

• 数据集多样性 – 训练集主要包含特定族裔的成年患者；对儿科或面部形态高度可变的患者的表现尚未验证。
• 手术代码可解释性 – 潜在手术向量是隐式学习的；未来工作可将其映射到显式手术参数（如上颌前移的毫米数），以提升临床可控性。
• 动态软组织效应 – 当前模型仅预测静态术后几何；加入肌肉激活或术后肿胀随时间变化的建模将拓宽临床适用范围。
• 监管路径 – 虽然推理速度快，作者指出在临床部署前仍需在医疗器械法规下进行大量验证。

作者

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

论文信息

• arXiv ID: 2512.05920v1
• 分类: cs.CV, cs.LG
• 发布日期: 2025 年 12 月 5 日
• PDF: Download PDF