論文の概要: PhysSFI-Net: Physics-informed Geometric Learning of Skeletal and Facial Interactions for Orthognathic Surgical Outcome Prediction

• arxiv url: http://arxiv.org/abs/2601.02088v1
• Date: Mon, 05 Jan 2026 13:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.142406
• Title: PhysSFI-Net: Physics-informed Geometric Learning of Skeletal and Facial Interactions for Orthognathic Surgical Outcome Prediction
• Title（参考訳）: PhysSFI-Net: 口腔外科的アウトカム予測のための骨格・顔面相互作用の物理インフォーム付き幾何学的学習
• Authors: Jiahao Bao, Huazhen Liu, Yu Zhuang, Leran Tao, Xinyu Xu, Yongtao Shi, Mengjia Cheng, Yiming Wang, Congshuang Ku, Ting Zeng, Yilang Du, Siyi Chen, Shunyao Shen, Suncheng Xiang, Hongbo Yu,
• Abstract要約: PhysSFI-Netは、矯正手術後の軟部組織の変形を正確に予測するための物理インフォームドな幾何学的深層学習フレームワークである。 モデル性能は点雲形状誤差,表面偏差誤差,ランドマーク位置誤差を用いて評価した。 PhysSFI-Net は点雲形状誤差 1.070 +/- 0.088 mm、表面偏差誤差 1.296 +/- 0.349 mm、ランドマーク局在誤差 2.445 +/- 1.326 mm を達成した。
• 参考スコア（独自算出の注目度）: 12.809678947417423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Orthognathic surgery repositions jaw bones to restore occlusion and enhance facial aesthetics. Accurate simulation of postoperative facial morphology is essential for preoperative planning. However, traditional biomechanical models are computationally expensive, while geometric deep learning approaches often lack interpretability. In this study, we develop and validate a physics-informed geometric deep learning framework named PhysSFI-Net for precise prediction of soft tissue deformation following orthognathic surgery. PhysSFI-Net consists of three components: a hierarchical graph module with craniofacial and surgical plan encoders combined with attention mechanisms to extract skeletal-facial interaction features; a Long Short-Term Memory (LSTM)-based sequential predictor for incremental soft tissue deformation; and a biomechanics-inspired module for high-resolution facial surface reconstruction. Model performance was assessed using point cloud shape error (Hausdorff distance), surface deviation error, and landmark localization error (Euclidean distances of craniomaxillofacial landmarks) between predicted facial shapes and corresponding ground truths. A total of 135 patients who underwent combined orthodontic and orthognathic treatment were included for model training and validation. Quantitative analysis demonstrated that PhysSFI-Net achieved a point cloud shape error of 1.070 +/- 0.088 mm, a surface deviation error of 1.296 +/- 0.349 mm, and a landmark localization error of 2.445 +/- 1.326 mm. Comparative experiments indicated that PhysSFI-Net outperformed the state-of-the-art method ACMT-Net in prediction accuracy. In conclusion, PhysSFI-Net enables interpretable, high-resolution prediction of postoperative facial morphology with superior accuracy, showing strong potential for clinical application in orthognathic surgical planning and simulation.
• Abstract（参考訳）: 顎矯正手術は、咬合を回復し、顔の審美性を高めるために顎骨を再配置する。 術後顔面形態の正確なシミュレーションは術前計画に不可欠である。 しかし、従来のバイオメカニカルモデルは計算コストが高く、幾何学的深層学習アプローチは解釈可能性に欠けることが多い。 本研究では, 矯正手術後の軟部組織の変形を正確に予測するために, PhysSFI-Net という物理インフォームドな幾何学的深層学習フレームワークを開発した。 PhysSFI-Netは3つの構成要素から構成される: 頭蓋顔面および外科的計画エンコーダを備えた階層的なグラフモジュールと、骨格と界面の相互作用の特徴を抽出するための注意機構と組み合わせた、インクリメンタルな軟組織変形のためのLong Short-Term Memory (LSTM)ベースのシーケンシャル予測器、高分解能顔表面再構成のためのバイオメカニクスインスパイアされたモジュール。 予測された顔形状とそれに対応する接地真実との間の点雲形状誤差(ハウスドルフ距離)、表面偏差誤差、ランドマーク位置誤差(クラニオ顎顔面ランドマークのユークリッド距離)を用いてモデル性能を評価した。 矯正治療と矯正治療を併用した135例をモデルトレーニングと検証に含めた。 定量的解析により、PhysSFI-Net は点雲形状誤差 1.070 +/- 0.088 mm、表面偏差誤差 1.296 +/- 0.349 mm、ランドマーク局在誤差 2.445 +/- 1.326 mm を達成した。 比較実験の結果,PhysSFI-Netは予測精度において最先端のACMT-Netよりも優れていた。 結論として, PhysSFI-Netは, 術後の顔面形態を高い精度で予測し, 整形外科的計画とシミュレーションにおける臨床応用の可能性を示した。

関連論文リスト

• NICE: Neural Implicit Craniofacial Model for Orthognathic Surgery Prediction [16.383390439495603]
  解剖学的再建と手術結果の予測に暗黙的神経表現を用いた神経インプリシット頭蓋顔面モデル(NICE)を提案する。 NICEは、顔の表面、上顎、下顎を再構築するために、領域固有の暗黙の符号付き距離関数(SDF)デコーダを使用する形状モジュールと、領域固有の変形デコーダを使用する手術モジュールとを備える。 実験により、NICEは現在の最先端の手法よりも優れており、特に唇やあごなどの重要な顔面領域における予測精度が向上している。
  論文  参考訳（メタデータ） (2025-12-05T17:56:44Z)
• Conditional Graph Neural Network for Predicting Soft Tissue Deformation and Forces [0.9986418756990159]
  この複雑さに対処するために、新しいデータ駆動モデル、条件付きグラフニューラルネットワーク(cGNN)を導入する。 本モデルでは, 表面点と印加力の位置を計測し, 点の変形とそれらに作用する力を予測するように設計されている。 軟組織ファントムの表面追跡データを実験で収集し,転送学習を用いてデータ不足を克服した。
  論文  参考訳（メタデータ） (2025-07-07T13:33:39Z)
• Thermodynamics-informed graph neural networks for real-time simulation of digital human twins [2.6811507121199325]
  本稿では,軟組織シミュレーション研究の進展をめざした新しい手法を提案する。 提案手法は, グラフニューラルネットワークの幾何学的バイアスと, 垂直構造の配置から導かれる物理的バイアスを統合する。 そこで本研究では,ヒト肝臓のトラクションおよび圧縮負荷に対する応答を7.3ミリ秒以内で予測するモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-16T18:01:40Z)
• Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
  3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。 圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。 有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。 近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。 胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-10T20:59:23Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Deep Learning-based Facial Appearance Simulation Driven by Surgically Planned Craniomaxillofacial Bony Movement [13.663130604042278]
  顔の外観を推定するために,注意応答支援運動変換ネットワーク(ACMT-Net)を提案する。 提案手法は, 最先端のFEM手法と比較して, 顔変化予測精度を向上できることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:33:01Z)
• A Self-Supervised Deep Framework for Reference Bony Shape Estimation in Orthognathic Surgical Planning [55.30223654196882]
  仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。 正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。 本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-11T05:24:40Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。