使用基于PCA-FFNN的方法，对颅缝早闭患者的3D立体照片进行自动Sella-Turcica标注和网格对齐

《Journal of Craniofacial Surgery》：Automated Sella-Turcica Annotation and Mesh Alignment of 3D Stereophotographs for Craniosynostosis Patients Using a PCA-FFNN Based Approach

　　**摘要**
**背景**：颅缝早闭是一种以颅缝过早融合为特征的疾病，可能导致严重的神经和发育并发症，因此需要早期诊断和精确治疗。传统的颅骨形态评估依赖于CT扫描，但这种检查会使婴儿暴露在电离辐射下。最近，3D立体摄影测量技术作为一种非侵入性替代方法出现，但如何将3D照片准确地对齐到标准参考框架（如Sella–turcica–Nasion (S-N)框架）中仍是一个挑战。
**方法**：本研究提出了一种新方法，利用主成分分析（PCA）和前馈神经网络（FFNN）从3D颅骨表面模型中预测Sella turcica (ST)坐标。该方法的有效性与传统的计算颅骨焦点（CCFP）方法进行了比较，后者在处理颅骨不对称变形（如斜头畸形）时存在局限性。研究使用了包含68例颅缝早闭患者的153张CT扫描数据集来训练和测试PCA-FFNN模型。
**结果**：结果表明，PCA-FFNN方法的表现优于CCFP方法，在ST坐标预测上的偏差显著降低（3.61毫米对比8.38毫米，P<0.001），尤其是在y轴和z轴上。此外，使用PCA-FFNN方法对齐的网格在S-N参考框架中的准确性也有所提高，表现为平均偏差减小和距离图的离散度降低。
**结论**：这些发现凸显了PCA-FFNN方法在提供更可靠、非侵入性的颅骨评估解决方案方面的潜力，有助于改善颅缝早闭的随访和临床结果。

**通俗语言总结**：
本研究介绍了一种从3D颅骨表面模型中定位Sella turcica (ST)的新方法，从而可以在不依赖CT扫描的情况下分析婴儿的头骨。该方法结合了主成分分析（PCA）和前馈神经网络（FFNN），并在包含68例颅缝早闭患者的153张CT扫描数据集上进行了训练和测试。与传统的计算颅骨焦点（CCFP）方法相比，PCA-FFNN方法预测ST坐标的准确性更高（3.61毫米对比8.38毫米，P<0.001），并且网格对齐效果更好，使得颅骨评估更加安全、精确且非侵入性。

**常见问题解答**：
颅缝早闭是一种以一个或多个颅缝过早融合为特征的疾病，对患者来说是一个重大挑战。这种颅骨畸形可能导致面部不对称、颅内压力增加、视力障碍和神经发育受损。孤立性、非综合征性颅缝早闭的发病率约为每10,000例新生儿中有3.1至6.4例，其中舟状头畸形、三角头畸形和前斜头畸形最为常见。早期诊断和干预至关重要，因为它们可以扩大治疗选择范围并改善手术效果。传统上，颅面形态评估依赖于CT等放射技术，但这种检查会暴露婴儿于电离辐射下。然而，3D立体摄影测量技术的出现为无辐射的颅骨形状评估提供了新的方法。对于这种评估和比较，将3D照片在标准参考框架中一致且精确地对齐至关重要。常用的CT扫描对齐参考框架是Sella–turcica–Nasion (S-N)框架。然而，该框架依赖于固定距离，不适合用于生长中的个体的3D表面数据叠加。为了解决这一限制，研究人员对现有参考框架进行了改进，使其能够叠加发育中患者的3D软组织图像。改进后的参考框架通过标注10个头影标志点来确定，包括内眶点、外眶点、鼻根点、上耳点等。在传统S-N框架中，Sella turcica (ST)——定义为蝶骨鞍前后的中心——无法在3D照片中直接识别，其位置需通过计算颅骨焦点（CCFP）结合CCFP偏移值来近似确定。这种改进后的S-N参考框架以及CCFP点和偏移值已被整合到Radboudumc的颅缝早闭随访协议中。然而，在颅骨不对称变形（如前斜头畸形）的情况下，基于CCFP的近似方法的准确性会受到影响，且偏移值受年龄、性别和颅缝早闭类型等因素的影响，因此将3D照片对齐到S-N参考框架中变得具有挑战性。由于CCFP方法已在临床咨询中广泛使用，采用改进的方法对于提高准确性和实现无缝临床整合至关重要。

**技术细节**：
- **数据采集**：由于Sella turcica (ST)在3D照片中无法直接识别，本研究利用CT扫描中的硬组织和软组织信息来提取ST位置和颅面表面信息。软组织数据用于模拟颅骨的3D照片，该方法已在先前研究中验证其准确性和有效性。
- **数据预处理**：使用3DMedX软件（v1.2.29.0）对CT扫描数据进行软组织阈值处理，选择Hounsfield单位（HU）值范围为?600至100。处理后，手动裁剪出从颈部到颅顶的图像区域，并标注鼻根点和左右上耳点以对齐颅骨表面模型。生成的颅骨表面模型以STL格式导出并导入MATLAB（版本2022b）进行进一步处理。
- **PCA-FFNN解决方案**：该方案结合了PCA和FFNN，利用PCA简化3D数据并减少维度，然后使用FFNN基于3D表面模型预测ST坐标。FFNN包含8个神经元的首层、ReLU激活层和0.5的dropout层以防止过拟合，随后是3个各含8个神经元的层，最后是一个0.1dropout率的dropout层。模型使用Adam优化器进行训练，学习率设置为1×10^-3，衰减率为每100个训练周期0.5。
- **性能分析**：通过2折交叉验证方法验证了该框架的准确性，比较了预测ST坐标与实际ST坐标（来自CT扫描和CCFP方法）的差异。使用IBM SPSS Statistics（版本28）进行统计分析，并在满足正态性要求后使用T检验比较ST近似值。通过距离图进行比较，提取了第五百分位数、第九十五百分位数和平均偏差。图2展示了所提出框架的概览。图2：所提出方法的概览。首先，进行硬组织和软组织的分割。然后使用硬组织分割结果对软组织进行标注，同时利用光线投射技术提取颅表面。接下来，使用CCFP方法和PCA-FFNN方法预测软组织的位置。最后，重新对齐3D颅表面网格。

结果：由两名观察者在硬组织分割的3D网格上手动标注了真实的软组织位置，观察者之间的变异性为1.2毫米。通过将预测的软组织位置与真实位置进行比较来评估其准确性，同样地，也将CCFP预测的软组织位置与真实位置进行了比较。使用P值评估了两种方法之间的统计差异。补充表2（补充数字内容1，https://links.lww.com/SCS/I27）显示，PCA-FFNN方法在y轴（-3.49毫米，P<0.001）和z轴（-2.79毫米，P<0.001）上的偏差显著较低。此外，PCA-FFNN预测的软组织位置与真实位置之间的欧几里得距离（3.61毫米）比CCFP预测的软组织位置与真实位置之间的欧几里得距离（8.38毫米）低4.77毫米（P<0.001）。在x轴上的偏差没有显著差异（-0.17毫米，P=0.420）。在单独检查亚型时，发现健康受试者、三角头畸形和舟状头畸形的准确性存在显著差异。尽管PCA-FFNN方法在斜头畸形地标预测方面表现出改进，但这种差异并不具有统计学意义。除了评估软组织位置预测的准确性外，还使用这三个软组织位置（PCA-FFNN、CCFP和真实位置）将3D颅表面网格定位在S-N参考框架内。通过计算PCA-FFNN预测的软组织方向网格与真实软组织方向网格之间的差异，以及CCFP预测的软组织方向网格与真实软组织方向网格之间的差异，为每个网格方向生成了距离图。图3显示了所有亚型结合的PCA-FFNN和CCFP基方向的误差分布。引入PCA-FFNN方法后，第五百分位数的偏差从-8.16毫米改善到-4.48毫米（P<0.001），第九十五百分位数的偏差从8.15毫米改善到4.38毫米（P<0.001），平均偏差从-0.79毫米改善到-0.11毫米（P<0.001）。

讨论：在3D照片上准确预测软组织位置对于颅缝早闭管理的各种临床应用至关重要。先前的研究表明，可以通过计算CCFP来近似3D照片上的软组织位置；然而，CCFP方法在应用于斜头畸形等不对称颅骨变形时存在局限性。因此，本研究提出了一种结合PCA和FFNN的新方法，从3D颅表面输入预测精确的软组织位置。评估了软组织位置预测的准确性以及随后在S-N参考框架内的对齐情况。结果表明，PCA-FFNN方法的总体准确性为3.61±2.03毫米，显著优于CCFP方法的8.38±5.21毫米。在y轴（前后方向）上观察到了最显著的准确性提高，而在x轴（内外侧方向）上没有显著提高。亚型分析显示，健康受试者、三角头畸形和舟状头畸形的准确性都有显著提高。尽管PCA-FFNN方法在斜头畸形地标预测方面有所改进，但这种差异并不具有统计学意义。除了评估软组织位置预测的准确性外，还使用这三个软组织位置（PCA-FFNN、CCFP和真实位置）将3D颅表面网格定位在S-N参考框架内。通过计算PCA-FFNN预测的软组织方向网格与真实软组织方向网格之间的差异，以及CCFP预测的软组织方向网格与真实软组织方向网格之间的差异，为每个网格方向生成了距离图。图3显示了所有亚型结合的PCA-FFNN和CCFP基方向的误差分布。引入PCA-FFNN方法后，第五百分位数的偏差从-8.16毫米改善到-4.48毫米（P<0.001），第九十五百分位数的偏差从8.15毫米改善到4.38毫米（P<0.001），平均偏差从-0.79毫米改善到-0.11毫米（P<0.001）。

讨论：在3D照片上准确预测软组织位置对于颅缝早闭管理的各种临床应用至关重要。先前的研究表明，可以通过计算CCFP来近似3D照片上的软组织位置；然而，CCFP方法在应用于斜头畸形等不对称颅骨变形时存在局限性。因此，本研究提出了一种结合PCA和FFNN的新方法，从3D颅表面输入预测精确的软组织位置。评估了软组织位置预测的准确性以及随后在S-N参考框架内的对齐情况。结果表明，PCA-FFNN方法的总体准确性为3.61±2.03毫米，显著优于CCFP方法的8.38±5.21毫米。在y轴（前后方向）上观察到了最显著的准确性提高，而在x轴（内外侧方向）上没有显著提高。亚型分析显示，健康受试者、三角头畸形和舟状头畸形的准确性都有显著提高。尽管在斜头畸形方面有所改进，但这种差异并不具有统计学意义，可能是由于斜头畸形固有的侧向不对称性以及内外侧方向上缺乏显著改善。据我们所知，之前没有研究使用基于机器学习的方法来预测3D表面数据上的软组织位置。已经进行了几项研究来自动从CBCT扫描中分割软组织位置；然而，这些方法依赖于体积CBCT数据进行软组织分割，而本研究提出的方法仅需要3D颅表面输入。考虑到软组织位置的解剖尺寸（范围为4至12毫米×5至16毫米）和观察者之间的变异性为1.2毫米，所实现的平均准确性3.61毫米显得很有前景。此外，使用PCA-FFNN方法对3D颅表面模型的对齐精度显著高于CCFP方法，这与观察到的软组织位置预测准确性的提高一致。图3表明，PCA-FFNN方法减少了整体分散。此外，所有箱线图值都更接近零，与基于CCFP的方向方法相比。这些发现突显了PCA-FFNN方法在更准确对齐3D颅表面模型和改善颅缝早闭随访方面的潜力。

局限性：本研究的局限性在于数据集相对较小（n=150），这可能会增加过度拟合FFNN的风险。尽管如此，仍采取了诸如通过PCA进行降维、数据增强和提前停止等预防措施来降低这种风险。此外，健康受试者和颅缝早闭患者之间的分布不均衡，特别是在细分为亚型之后。扩展颅缝早闭数据库可以进一步提高软组织位置预测的准确性和3D颅网格的后续对齐。另一个主要局限性是缺乏时间匹配的CT扫描和3D照片。依赖于CT衍生的软组织分割而不是实际的3D照片，限制了PCA-FFNN方法的即时临床应用。由于FFNN是在CT衍生的3D网格上训练的，其在真实3D照片上的表现仍然不确定。未来的工作应该将提出的工作流程应用于3D照片，并扩展数据库以包括时间匹配的CT扫描和3D照片。虽然使用软组织分割引入了一定的局限性，但它也提供了颅表面与标注的软组织位置之间的精确关联。因此，未来的研究应该专注于使用时间匹配的CT扫描和3D照片扩展或替换数据库，并研究使用3D照片时软组织位置预测和网格对齐的精确准确性。最后，探索PCA-FFNN方法是否可以扩展到无需额外手动标注颅面标志点即可自动重新对齐3D网格将是非常有价值的。

结论：总之，本文介绍了一种预测鞍状窝和在S-N参考框架内对齐3D颅表面网格的新方法。据我们所知，这是第一项使用神经网络预测位于表面网格之外的3D标志点的研究。我们的发现表明，PCA-FFNN方法在软组织位置预测和网格重新对齐方面均优于传统的CCFP方法。

未来展望：将PCA-FFNN方法整合到临床实践中，可以增强颅缝早闭的诊断和术后监测，同时确保与Radboudumc现有的CCFP方法的无缝过渡。这提高了诊断准确性，而不会干扰现有工作流程。通过将PCA-FFNN纳入基于立体摄影测量的评估中，临床医生可以实时实现更精确的3D颅骨对齐，减少手动标志点标注和观察者之间的变异性。该方法不依赖于电离辐射，符合减少儿科患者CT扫描的趋势。提高的准确性有助于与家长更清晰的沟通，提供详细的3D可视化颅骨变化，以说明治疗进展和手术结果。长期监测和与标准数据库的比较有助于检测细微的不对称性，优化治疗时机，并完善干预策略。未来的研究应在更大的队列中验证这种方法，并开发用于临床整合的自动化软件工具。最终，采用PCA-FFNN提供了一种标准化、可靠且无创的颅缝早闭评估方法。