《International Journal of Legal Medicine》：Deep learning-based 3D forensic facial reconstruction: a volumetric morphological inference approach using a skull-conditioned U-Net
编辑推荐：
法医面部重建（Forensic Facial Reconstruction, FFR）是一种在DNA、牙科记录或指纹等主要身份识别信息缺失或无法得出明确结论时使用的调查辅助手段。FFR的目的并非确立身份，而是生成解剖学上合理的面部近似，以促进识别并帮助缩小潜在
法医面部重建（Forensic Facial Reconstruction, FFR）是一种在DNA、牙科记录或指纹等主要身份识别信息缺失或无法得出明确结论时使用的调查辅助手段。FFR的目的并非确立身份，而是生成解剖学上合理的面部近似，以促进识别并帮助缩小潜在候选范围。从颅骨几何结构重建面部软组织本质上是一个不适定的逆问题（ill-posed inverse problem），因为颅骨并不能唯一确定覆盖其上的面部形态。在本研究中，颅骨条件下的面部重建被形式化为一项体素形态推断任务，采用全自动深度学习框架完成。鉴于数据集规模有限，本研究明确作为一项以可行性为重点的概念研究，旨在评估颅骨条件体素重建的方法学可行性，并刻画具有解剖学结构的重建误差，而非建立群体水平的泛化能力。基于颅面CT数据，3D U-Net学习从二值颅骨体素到面部软组织包膜的逐体素映射。该模型仅依赖颅骨几何结构，不纳入人口统计学元数据，从而隔离颅骨中编码的解剖信息，并避免法医情境中通常不可获得的假设。采用复合损失函数以应对体素类别不平衡问题，并促进连续软组织结构的稳定重建。重建精度通过体素重叠和基于表面的距离度量进行评估。在独立测试集上，模型实现了平均Dice系数0.93±0.01和平均95百分位Hausdorff距离（HD95）为2.8±0.8 mm。空间误差分析表明，在颅骨锚定区域精度较高，而在解剖学约束不足的区域偏差较大，这与已知的解剖约束原理一致。在这一以可行性为重点的研究范围内，这些发现提供了初步证据，表明颅骨条件体素深度学习能够生成解剖学连贯的面部近似，同时也揭示了在解剖学约束不足区域重建的内在局限性。
一、研究背景与问题提出
法医面部重建（Forensic Facial Reconstruction, FFR）是在DNA分析、牙科记录或指纹等主要身份识别信息缺失或无法得出明确结论时使用的一种调查辅助手段。FFR并非用于确立身份，而是旨在生成解剖学上合理的面部近似，以促进公众或亲属识别，并帮助缩小潜在候选范围。传统FFR方法依赖于基于群体平均测量值的面部软组织厚度标记进行人工或半自动重建，这些技术从根本上受到操作者主观性和静态平均值无法充分捕捉个体生物学变异性的限制。早期计算方法通过可变形模型和基于模板的重建减少了主观性，提高了可重复性，但往往趋向于群体平均面部表征。
从颅骨几何结构重建面部形态本质上是一个不适定的逆问题（ill-posed inverse problem），即解可能不唯一或不稳定。尽管颅骨在额部、鼻梁和眶区等某些面部区域施加了强几何约束，但它并不能在整个面部唯一确定覆盖的软组织形态。这种非唯一性在骨骼约束较弱的区域进一步加剧，表现为面部软组织厚度在区域和人群间的显著变异性。统计形状模型（Statistical Shape Models, SSM）和概率性面-颅骨建模方法试图在参数框架内捕捉群体水平变异，但常受线性假设和表征骨骼与软组织之间复杂非线性空间关系能力有限的约束。近年来基于学习的方法利用深度神经网络直接从体素数据建模密集三维映射，但许多现有方法强调总体性能指标或依赖辅助人口统计学元数据，限制了解剖学可解释性。此外，许多深度学习模型作为黑箱运行，透明度有限，这推动了医学图像分析中对可解释人工智能（Explainable Artificial Intelligence, XAI）日益增长的兴趣。
从法医学角度，一个关键问题由此产生：仅凭颅骨几何结构能在多大程度上推断面部形态？重建问题在何处变得根本性欠定？回答这一问题不仅需要准确的重建，还需要能够揭示颅骨条件推断在何处可靠、何处不确定性是内在固有的评估策略。本研究正是基于这一背景，将FFR明确表述为颅骨条件体素推断问题，通过可行性聚焦的概念研究加以探讨。
二、研究内容与结论
本研究采用全自动3D U-Net框架，将FFR形式化为颅骨条件下的体素推断问题。研究基于颅面CT数据，构建了38对颅骨-面部CT体素数据集，其中30例用于训练，验证集和独立测试集各4例。模型学习从二值颅骨体素到面部软组织包膜的逐体素映射，仅依赖颅骨几何结构，不纳入人口统计学或人体测量学元数据。在独立测试集上，模型实现了平均Dice相似系数（Dice Similarity Coefficient, DSC）为0.9336±0.0116，平均95百分位Hausdorff距离（HD95）为2.81±0.76 mm，平均绝对表面距离（Mean Surface Distance, MSD）为0.553±0.155 mm。与不利用个体颅骨几何结构的平均图谱基线相比，模型在体素重叠和表面精度方面均有显著提升，HD95从12.31±4.29 mm降至2.81±0.76 mm。空间误差分析表明，额部、鼻梁和眶周等颅骨锚定区域误差较低，而面颊、下颌轮廓和颈部等软组织主导区域误差较大。该研究提供了初步证据，表明颅骨条件体素深度学习能够生成解剖学连贯的面部近似，同时揭示了在解剖学约束不足区域重建的内在局限性。
三、关键技术方法
研究人员构建了由38对配对颅骨-面部CT体素组成的回顾性数据集，来源于临床和法医数据存储库，CT采集层厚为0.8 mm，螺旋螺距因子为0.8。数据预处理采用基于Hounsfield Unit（HU）值的双阈值分割管线：颅骨结构以Tbone≥250 HU的全局阈值提取，面部软组织采用[?200, 300]的HU范围分割。所有体素数据被重采样至各向同性物理分辨率，并调整至192×192×192体素的固定尺寸各向同性网格。研究采用对称编码器-解码器3D U-Net架构，包含四个分辨率层级，使用3×3×3卷积核和LeakyReLU激活函数，通过跳跃连接保留几何信息。训练采用复合损失函数，等权重组合二值交叉熵（Binary Cross-Entropy, BCE）损失和Dice损失，以应对体素类别不平衡。优化使用AdamW优化器，初始学习率10?3，采用验证损失驱动的学习率调度器和1×10??的权重衰减，批量大小为1，使用实例归一化（Instance Normalization），训练最多2000轮。推理采用固定后处理管线，包括验证集确定的二值化阈值（t=0.370）、最大连通分量（Largest Connected Component, LCC）选择和三维形态学闭运算。评估采用体素重叠度量（Dice系数）和基于表面的距离度量（HD95和MSD），并辅以逐点表面距离图和区域误差分析。
四、研究结果
总体性能：在独立测试集上，模型实现了平均DSC为0.9336±0.0116，HD95为2.81±0.76 mm，绝对MSD为0.553±0.155 mm。验证集和测试集结果在固定推断协议下保持紧密一致，提供了跨可用留出案例一致重建行为的初步证据。
阈值敏感性分析：通过验证集上的阈值消融实验，平均Dice系数在较宽阈值范围内保持相对稳定，在选定工作点（t=0.370）附近存在浅层最优值。±1标准差带表明重建质量对轻微阈值扰动不高度敏感，支持固定推断管线的合理性。
与基线方法比较：与平均图谱基线相比，模型在体素重叠和表面精度方面均有显著提升。HD95从基线的12.31±4.29 mm降至模型的2.81±0.76 mm，MSD也相应降低，表明网络学习了依赖颅骨的形态约束而非仅复现群体平均值。
全局与局部表面误差分布：区域表面距离分析显示误差并非均匀分布，而是遵循清晰的解剖模式。额部、鼻梁和眶周等受颅骨几何结构强约束的区域持续表现出较低表面偏差，而面颊、下颌轮廓和颈部等解剖学约束不足区域误差较大，表明重建不确定性与解剖约束程度相关。
表面误差热图可视化：代表性测试案例的表面误差热图显示，颅骨锚定区域误差幅度较低，解剖学外周区域偏差增加，视觉上佐证了解剖学结构化误差分布。
定性视觉比较：定性比较显示预测面部表现出连贯的整体颅面形态，与底层颅骨结构保持几何一致。额部轮廓、鼻梁和眶缘等显著骨性标志在重建表面中得到反映，视觉差异主要出现在面颊和下面部轮廓等软组织主导区域，表现为局部表面厚度的中等变异而非大规模结构扭曲。
五、讨论与结论
讨论部分从逆问题视角进行解剖学解释，指出重建误差的区域依赖模式与颅骨条件面部重建的不适定性质一致。颅骨锚定区域误差较低，而软组织主导区域误差较大且变异性更高，这应被视为颅骨到面部映射中固有信息缺失的表现，而非单纯网络局限。推断管线的稳定性通过阈值敏感性分析得到验证，表明模型学习了一致的概率表征。从法医学角度，该框架可被解释为生成基于颅骨几何的解剖学基础面部软组织包膜表征，高精度区域可被视为更可靠，而约束不足区域应明确认识其固有不确定性。研究局限性包括：数据集规模有限（30例训练，验证和测试各4例）；未纳入年龄、性别、祖先、体型等可能有助于软组织主导区域推断的生物学信息；CT采集为仰卧位，姿势相关软组织变形未建模修正；颅面视野因原始临床采集和裁剪而异；HD95和MSD未预设临床或法医可接受阈值，应描述性和比较性解读。研究结论指出，本研究建立了颅骨条件体素推断框架，定量和基于表面的评估表明在颅骨解剖强约束区域重建行为稳定。空间分辨的表面误差分析是该工作的关键贡献，使重建可靠性和不确定性得到细致理解。在该可行性聚焦概念研究范围内，结果为体素深度学习作为法医面部重建的解剖学基础方法提供了初步支持，同时强调了在解剖学约束不足区域谨慎和明确解释的重要性。该框架为未来增强法医重建可解释性和可靠性的工作奠定了方法论基础。
