Skip to main content

数字几何处理 > 01-大作业-开题报告

liblaf10/30/24Course WorkPhD/Course/Digital_Geometry_ProcessingAbout 6 min

选题背景

颅颌面 (Craniomaxillofacial, CMF) 畸形在全球范围内影响着众多患者的生活质量, 正颌外科手术通过精确的骨骼切割与重定位, 旨在恢复颌骨的正常形态. 然而, 由于颅颌面区域的复杂解剖结构, 手术规划面临巨大挑战. 计算机辅助外科模拟 (CASS) 技术在此背景下应运而生, 通过三维建模和虚拟切割, 帮助医生预测术后效果. 尽管现有技术在一定程度上提高了手术精度, 但仍存在模拟精度不足、计算效率低等问题. 因此, 开发一种结合数据驱动和物理仿真方法的混合模型, 以提高正颌外科手术模拟的准确性和效率, 具有重要的临床意义.

国内外研究现状

数据驱动的方法

近年来, 数据驱动的方法在面部手术模拟中取得了显著进展. Qiu 等人 [1] 提出的 SCULPTOR 模型通过参数化方法集成了人类头骨结构和面部几何形状, 能够精确捕获面部特征及其背后的骨架结构. Ma 等人 [2] 开发的 FSC-Net 网络通过深度学习技术, 学习从骨骼形态变化到面部外形变化之间的复杂关系, 显著提高了模拟速度和精度. 此外, Ma[3] 等学者进一步扩展了 P2P-Net, 开发了 P2P-Conv 模型, 有效解决了面部和颅骨之间形态转换的问题. 然而, 这些方法在个体特异性方面仍存在局限.

物理仿真的方法

物理仿真方法主要包括质点 - 弹簧模型 (MSM)[4]、有限元模型 (FEM)[5][6] 和质点 - 张量模型 (MTM).[7] MSM 因其计算效率高, 常用于实时面部动画制作. FEM 在模拟生物力学特性方面具有高准确性, 但计算成本较高. Kim 等人 [5:1] 提出的三阶段有限元方法通过模拟组织间的滑动效应, 显著提升了模拟结果的质量. Knoops 等人 [6:1] 开发的概率有限元模型结合了实验设计方法与迭代优化策略, 提供了具有概率预测区间的三维面部模型. MTM[7:1] 则在计算效率与结果精度之间实现了优化平衡. Ichim 等人 [8] 提出的 Phace 技术通过物理原理的面部动画技术, 有效复现了复杂的面部表情, 也可用于整形手术过程中的动态模拟.

研究内容

本研究旨在开发一种结合数据驱动和物理仿真方法的混合模型, 以提高正颌外科手术模拟的准确性和效率. 具体研究内容包括:

  1. 物理仿真的软组织建模: 基于有限元方法, 构建一个高精度的面部软组织物理模型, 考虑软组织与骨骼之间的复杂交互作用, 特别是滑动效应和非线性变形.
  2. 数据驱动的物理模型参数估计: 利用深度学习技术, 构建一个能够从术前 CT 数据中估计物理模型参数的模型, 通过大量训练数据优化模型参数, 提高模拟准确性.
  3. 混合模型的集成与优化: 将数据驱动的参数估计模型与物理仿真的软组织模型进行集成, 形成一个混合模型, 实现从骨骼形态变化到面部外观变化的精确预测.
  4. 模型验证与临床应用: 利用大量术后 CT 数据, 对混合模型进行验证和优化, 通过与实际手术结果的对比, 评估模型的预测准确性, 并进一步优化模型的参数和算法.

研究方案

  1. 数据收集与预处理: 收集大量术前和术后 CT 数据, 进行图像分割、三维重建和数据标准化.
  2. 物理仿真的软组织建模: 基于有限元方法, 构建高精度面部软组织物理模型, 考虑软组织与骨骼之间的复杂交互作用.
  3. 数据驱动的物理模型参数估计模型构建: 利用深度学习技术, 构建从术前 CT 数据中估计物理模型参数的模型, 通过大量训练数据优化模型参数.
  4. 混合模型的集成与优化: 将数据驱动的参数估计模型与物理仿真的软组织模型进行集成, 形成混合模型, 实现精确预测.
  5. 模型验证与临床应用: 利用大量术后 CT 数据, 对混合模型进行验证和优化, 评估预测准确性, 并进一步优化模型参数和算法.

预期成果及可能的创新点

预期成果包括:

  1. 开发一种高精度、高效率的混合模型, 能够精确预测正颌外科手术后的面部外观变化.
  2. 提出一种新的深度学习模型, 能够从术前 CT 数据中准确估计物理模型参数.
  3. 通过大量临床数据验证, 证明混合模型在实际手术中的应用价值.

可能的创新点包括:

  1. 结合数据驱动和物理仿真方法, 克服现有方法在模拟精度上的局限.
  2. 引入深度学习技术, 提高物理模型的预测精度.
  3. 通过混合模型的集成, 实现从骨骼形态变化到面部外观变化的精确预测, 为临床手术规划提供有力支持.

研究计划

  1. 6 – 10 周: 完成数据收集与预处理, 构建物理仿真的软组织模型, 初步验证模型的有效性.
  2. 10 – 14 周: 开发数据驱动的物理模型参数估计模型, 进行模型训练与优化.
  3. 15 周: 集成混合模型, 进行模型验证与临床应用, 撰写结题报告并准备课上展示.

参考文献

  1. Qiu, Zesong, et al. “SCULPTOR: Skeleton-consistent face creation using a learned parametric generator.” ACM Transactions on Graphics (TOG) 41.6 (2022): 1-17. ↩︎

  2. Ma, Lei, et al. “Simulation of postoperative facial appearances via geometric deep learning for efficient orthognathic surgical planning.” IEEE transactions on medical imaging 42.2 (2022): 336-345. ↩︎

  3. Ma, Lei, et al. “Bidirectional prediction of facial and bony shapes for orthognathic surgical planning.” Medical image analysis 83 (2023): 102644. ↩︎

  4. San Vicente, Gaizka, et al. “Maxillofacial surgery simulation using a mass-spring model derived from continuum and the scaled displacement method.” International journal of computer assisted radiology and surgery 4 (2009): 89-98. ↩︎

  5. Kim, Daeseung, et al. “A clinically validated prediction method for facial soft‐tissue changes following double‐jaw surgery.” Medical physics 44.8 (2017): 4252-4261. ↩︎ ↩︎

  6. Knoops, Paul GM, et al. “A novel soft tissue prediction methodology for orthognathic surgery based on probabilistic finite element modelling.” PloS one 13.5 (2018): e0197209. ↩︎ ↩︎

  7. Kim, Hyungmin, et al. “A new soft-tissue simulation strategy for cranio-maxillofacial surgery using facial muscle template model.” Progress in biophysics and molecular biology 103.2-3 (2010): 284-291. ↩︎ ↩︎

  8. Ichim, Alexandru-Eugen, et al. “Phace: Physics-based face modeling and animation.” ACM Transactions on Graphics (TOG) 36.4 (2017): 1-14. ↩︎

Copyright © 2025 liblaf MIT Licensed