Advancing Wound Filling Extraction on 3D Faces: A Auto-Segmentation and Wound Face Regeneration Approach

要約

顔面創傷のセグメンテーションは、さまざまな医療用途における術前計画と患者転帰の最適化において重要な役割を果たします。
この論文では、2 ストリーム グラフ畳み込みネットワークを使用して 3D 顔面創傷セグメンテーションを自動化するための効率的なアプローチを提案します。
私たちの手法は Cir3D-FaIR データセットを活用し、さまざまな損失関数を使用した広範な実験を通じてデータの不均衡の課題に対処します。
正確なセグメンテーションを実現するために、徹底的な実験を実施し、トレーニングされたモデルの中から高性能のモデルを選択しました。
選択されたモデルは、複雑な 3D 顔傷に対して優れたセグメンテーション パフォーマンスを示します。
さらに、セグメンテーション モデルに基づいて、3D 顔面創傷充填材を抽出するための改善されたアプローチを提案し、それを以前の研究の結果と比較します。
私たちの方法は、テスト スイートで 0.9999986\% という驚くべき精度を達成し、以前の方法のパフォーマンスを上回りました。
この結果から、3D プリンティング技術を使用して創傷充填物の形状を図示します。
この研究の結果は、術前計画と介入設計に携わる医師にとって重要な意味を持ちます。
顔面創傷のセグメンテーションを自動化し、創傷充填抽出の精度を向上させることで、当社のアプローチは介入を慎重に評価して最適化するのに役立ち、患者の転帰の向上につながります。
さらに、皮膚組織インプラントの印刷に機械学習と 3D バイオプリンティングを利用することで、顔の再構成技術の進歩にも貢献します。
ソース コードは \url{https://github.com/SIMOGroup/WoundFilling3D} で入手できます。

要約(オリジナル)

Facial wound segmentation plays a crucial role in preoperative planning and optimizing patient outcomes in various medical applications. In this paper, we propose an efficient approach for automating 3D facial wound segmentation using a two-stream graph convolutional network. Our method leverages the Cir3D-FaIR dataset and addresses the challenge of data imbalance through extensive experimentation with different loss functions. To achieve accurate segmentation, we conducted thorough experiments and selected a high-performing model from the trained models. The selected model demonstrates exceptional segmentation performance for complex 3D facial wounds. Furthermore, based on the segmentation model, we propose an improved approach for extracting 3D facial wound fillers and compare it to the results of the previous study. Our method achieved a remarkable accuracy of 0.9999986\% on the test suite, surpassing the performance of the previous method. From this result, we use 3D printing technology to illustrate the shape of the wound filling. The outcomes of this study have significant implications for physicians involved in preoperative planning and intervention design. By automating facial wound segmentation and improving the accuracy of wound-filling extraction, our approach can assist in carefully assessing and optimizing interventions, leading to enhanced patient outcomes. Additionally, it contributes to advancing facial reconstruction techniques by utilizing machine learning and 3D bioprinting for printing skin tissue implants. Our source code is available at \url{https://github.com/SIMOGroup/WoundFilling3D}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google