Deep Learning-based Facial Appearance Simulation Driven by Surgically Planned Craniomaxillofacial Bony Movement

要約

顎変形症患者に対する顎矯正手術計画において，骨の移動に伴う顔貌の変化をシミュレートすることは重要なステップである．有限要素法（FEM）のような従来のバイオメカニクスに基づく手法は、労力がかかり、計算効率も悪い。ディープラーニングに基づくアプローチは、高い計算効率と強力なモデリング能力により、有望な代替手段となり得ます。しかし、既存の深層学習ベースの手法は、顔の軟組織と骨セグメントの物理的な対応関係を無視しているため、FEMと比較して精度が著しく劣る。そこで本研究では，点間アテンション対応行列を介して骨運動を顔面軟組織に変換し，顔面外観を推定するアテンション対応支援運動変換ネットワーク(ACMT-Net)を提案する．顎変形症患者を対象とした実験の結果、提案手法は、最新のFEMベースのアプローチと比較して、同等の顔面変化予測精度を達成することができ、計算効率も大幅に改善されることが示された。

要約(オリジナル)

Simulating facial appearance change following bony movement is a critical step in orthognathic surgical planning for patients with jaw deformities. Conventional biomechanics-based methods such as the finite-element method (FEM) are labor intensive and computationally inefficient. Deep learning-based approaches can be promising alternatives due to their high computational efficiency and strong modeling capability. However, the existing deep learning-based method ignores the physical correspondence between facial soft tissue and bony segments and thus is significantly less accurate compared to FEM. In this work, we propose an Attentive Correspondence assisted Movement Transformation network (ACMT-Net) to estimate the facial appearance by transforming the bony movement to facial soft tissue through a point-to-point attentive correspondence matrix. Experimental results on patients with jaw deformity show that our proposed method can achieve comparable facial change prediction accuracy compared with the state-of-the-art FEM-based approach with significantly improved computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL