Artificial Intelligence–Based Modeling Can Predict Face Shape Based on Underlying Craniomaxillofacial Bone
Notice bibliographique
Résumé
Reconstructing facial deformities is often challenging due to the complex 3-dimensional (3D) anatomy of the craniomaxillofacial skeleton and overlying soft tissue structures. Bilateral injuries cannot benefit from mirroring techniques and as such preinjury information (eg, 2D pictures or 3D imaging) may be utilized to determine or estimate the desired 3D face shape. When patient-specific information is not available, other options such as statistical shape models may be employed; however, these models require registration to a consistent orientation which may be challenging. Artificial intelligence (AI) has been used to identify facial features and generate highly realistic simulated faces. As such, it was hypothesized that AI can be used to predict 3D face shape by learning its relationship with the underlying bone surface anatomy in a subject-specific manner. An automated image processing and AI modeling workflow using a modified 3D UNet was generated to estimate 3D face shape using the underlying bone geometry and additional metadata (eg, body mass index and age) obtained from 5 publicly available computed tomography imaging datasets. Visually, the trained models provided a reasonable prediction of the contour and geometry of the facial tissues. The pipeline achieved a validation dice=0.89 when trained on the combined 5 datasets, with the highest dice=0.925 achieved with the single HNSCC dataset. Estimated predefect facial geometry may ultimately be used to aid preoperative craniomaxillofacial surgical planning, providing geometries for intraoperative templates, guides, navigation, molds, and forming tools. Automated face shape prediction may additionally be useful in forensic studies to aid in the identification of unknown skull remains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».