Page 88 - 鼻整形技术研究

鼻整形技术研究 第三章 整形外科材料应用
Research on Nasal Plastic Surgery Technology

基于模板形变的图像配准法往往综合考虑基于缺损孔洞的曲面曲率、颅骨对称性
及颅骨解剖形态学特征，针对不同区域及缺损类型选择参考模板，由此指导生成的修
补物形态通常表现出较高的修复精度。但该方法的主要局限在于自动化程度较低，特
别是在解剖学标志点的放置操作中仍需要大量的人机交互操作；同时对于配准模板的

选择及相关数据库的建立工作量较大，人力成本和操作成本较高，因此在实践中展开
具有一定门槛。
（四）基于人工智能的颅面缺损修复技术
随着计算机技术的不断发展，人工智能技术在处理数据方面展现了极高的潜力，

特别是机器学习对能通过经验自动改进的计算机程序性能具有极大的提升作用。深度
学习（Deep learning，DL）可以被训练来寻找数据中的特征和模式，其中神经网络（Neural
networks，NNs）是应用较广的一种训练模型，经训练优化的 NN 在自动执行计算机
辅助设计颅骨缺损植入物工作流程的一些任务中具有良好的应用前景，颅骨缺损修复

与人工智能技术的跨学科交互也成为了近年的研究前沿。
Hsu 等于 2001 年将三维正交神经网络应用于颅面缺损领域，训练神经网络对断
层扫面得到的各层图像缺损区域的丢失像素的垂直坐标 Yi 进行获取，得到一个满足
二阶导数的连续函数，由此函数得到的缺损修补物与缺损边缘吻合更为光滑。该方法

作为较早将神经网络与颅骨缺损修复相结合的研究，展现了机器学习在修补物设计方
向具有极广阔的前景。随着常用算法的不断更新和神经网络模型的多样化发展，探索
更适于颅骨缺损修复的算法和神经网络模型以及不同算法模型的应用效果是未来的研
究重点。在由奥地利格拉茨理工大学（TU Graz）和格拉茨医科大学（MedUni Graz）

于 2020 年起联合发起的 AutoImplant 颅骨植入物设计挑战赛中，赛事重点关注不同神
经网络模型在颅骨缺损修复中应用的可行性及应用效果，从纳入文集的研究成果可见，
U-Net 是使用最为广泛的神经网络模型。U-Net 具有较广的学习接受域，对物体的形态、
纹理的描述具有较好的精准度，可以实现建模中对细节的把控，因此 U-Net 是医学图

像研究领域使用频率较高的神经网络模型。除 U-Net 以外，U-Net 的变形模型 V-Net、
生成对抗神经网络（Generative adversarial network，GAN）、卷积神经网络（Convolutional
Neural Network，CNN）也被应用。训练神经网络过程中适当地引入辅助通道，例如
平均化的颅骨形态学统计模型、标准解剖学图像、解剖标志点的定位及对称性参考

都可以增强最终的修复精度。赛事旨在启发提供更多神经网络模型选择、利用场景
及针对不同对应处理场景的处理新思路。如在 Pimentel 等对 GAN 研究的基础上，
Liang 等于 2020 年对深度卷积生成对抗网络（Deep convolutional generative adversarial
networks，DCGAN）进行优化，同时引入了一种平面图像的语义修复方法并应用于下

颌骨修复，在缺失区域实现生成与原始图像相似的“修复图像”。

• 78 •