三维照片上面部标志点的全自动标定与分割

三维面部立体摄影在不使用电离辐射的情况下提供了颅面软组织的详细表征。虽然标志点的人工标注目前是头影测量分析的金标准，但这是一个耗时的过程且容易出现人为误差。本研究的目的是开发并评估一种基于深度学习的自动化头影测量标注方法。由单一观察者手动标注了 2897 张三维面部照片上的十个标志点。自动化标志点工作流包含两个连续的 DiffusionNet 模型以及用于面部分割的附加算法。数据集被随机划分为训练集和测试集。训练集用于训练深度学习网络，而测试集用于评估自动化工作流的性能。通过计算自动与手动标志点之间的欧氏距离来评估工作流的精度，并与手动标注的观测内和观测间变异性以及半自动标志点方法进行比较。该工作流在所有测试案例中成功率为 98.6%。基于深度学习的标志点方法实现了精确且一致的标志点标注。1.69（±1.15）mm 的平均精度与手动标注的观测间变异性（1.31±0.91 mm）相当。自动与手动标志点之间的欧氏距离在 69% 的案例中小于 2 mm。基于 DiffusionNet 的方法实现了三维照片上的自动标志点标注。所提出的方法允许对大型数据集进行定量分析，并可用于诊断、随访和虚拟手术规划。