皮膚科 ›廣告和新聞該不該信

AI人工智慧加速3D臉部標註

Automated 3D Perioral Landmark Detection Using High-Resolution Network: Artificial Intelligence–based Anthropometric A……

張宏嘉 Benjamin Chang 皮膚科專科醫師 · VSKIN 院長 · PSKIN 主治醫師

更新於 2025年4月28日 AI

Automated 3D Perioral Landmark Detection Using High-Resolution Network: Artificial Intelligence–based Anthropometric Analysis

在整形與美容外科領域，透過 3D 立體攝影技術分析臉部特徵已是重要工具，有助於術前規劃和術後評估。然而，傳統方法需要由訓練有素的專業人員手動在 3D 模型上標示出精確的解剖學標誌點，以進行後續的人體測量分析。這個過程不僅耗時費力，也可能因評估者的主觀判斷產生誤差。

新方法：結合維度轉換與高解析度網路

為解決此問題，一篇發表於《美容外科雜誌》(Aesthetic Surgery Journal) 的研究提出了一種基於人工智慧的新方法，旨在自動化 3D 口周區域標誌點的標註過程。

其核心技術可以理解為一個「先將3D資訊轉換成2D處理，再將結果 映射回3D空間」的過程。具體步驟如下：

3D 轉 2D (類比扁平化)： 首先，將原始的 3D 臉部模型從特定角度（例如正面、左前 45 度、右前 45 度）投影，生成數張高解析度的 2D 圖像。這相當於從不同角度拍攝 3D 物體，獲得平面的影像。

2D AI 處理： 接著，利用一種名為「高解析度網路」（High-Resolution Network, HRNet）的深度學習模型來偵測這些 2D 圖像上的關鍵點（即臉部標誌點）的 2D 座標。選擇 HRNet 是因為它在處理 2D 圖像、特別是需要精確位置的任務上表現優異。

2D 結果映射回 3D (類比再立體化)： 最後，研究人員運用數學方法和已知的投影資訊（如投影向量），將在 2D 圖像上找到的關鍵點座標，準確地「投射」或「映射」回原始的 3D 模型表面上，從而獲得這些標誌點在真實 3D 空間中的最終座標。

研究結果：高精度與高效率

研究團隊使用 120 個 3D 臉部模型訓練此 AI 系統，並在另外 50 個模型上進行驗證。結果顯示，該自動化方法的標誌點定位平均誤差為 1.30 毫米（標準差 0.68 毫米），達到了臨床可接受的精度水平。其中，對於如右側人中嵴 (cph-r) 等標誌點的定位尤為精確（誤差僅 0.62 毫米），而對於唇下點 (sl) 和頦前點 (pog) 等邊界較模糊的點位，誤差相對較大（超過 2 毫米）。

除了高精度，該方法的效率也相當顯著，平均處理一個 3D 模型僅需 5.2 秒。基於這些自動標註的標誌點所進行的後續線性與角度測量，其平均誤差也分別控制在 0.87 毫米和 5.62 度左右。

應用前景與限制

研究者認為，這套自動化系統能夠快速、準確地進行唇部形態的人體測量分析，可望成為整形外科醫師進行術前規劃與術後評估的有效輔助工具。相較於傳統手動標註，它能大幅節省時間並減少人為變異。

不過，研究也提到其限制，例如對於 某些邊界模糊的標誌點誤差較大，且需要大量的訓練數據。此外，該方法目前主要針對 健康的口周形態，對於臉部畸形或特定疾病患者的適用性可能受限，需要未來進一步研究。

結論

==> 沒有結論 讀得好累XD