三維顱顏影像不對稱性與其感知量化之研究

研究範疇與臨床應用的重要性. 顏面的對稱與否在顱顏矯正與整形外科的臨床研究上，是評估容貌吸引力的重要指標。顱顏特徵的選用、二維影像的侷限性，如陰影、遮蔽、膚質等，均影響著顏面對稱與否的判讀。然而，質性的描述若無法量化呈現，其客觀性易引致質疑。醫病之間感知與期望落差以及資訊的不透明/不對稱是造成醫療糾紛的最主要因素；依據2012 年一份重要的國內醫療現況報告指出，國內醫院各科醫療糾紛中，以外科26%尤為嚴重。大多數具有吸引力的顏面，其實並非完美對稱，甚至如果嘗試將單一側顏面映射合成而得的容貌往往看來奇怪。不過即使如此，如果顏面真的嚴重不對稱，則會影響到一個人的容貌，甚至造成功能缺陷。追本溯源，顏面的不對稱原因可能來自於遺傳、後天長成、或因為疾病或傷害而造成。不論如何，一旦不對稱達到一定的程度，如何有效的評估和治療規劃與管理，對於醫生以及病人來說，都是極其重要的議題。研究目的. 針對所述，本研究計畫的重點有三：(1) 顏面不對稱性之量化(與專業醫師臨床經驗吻合)；(2) 詮釋從全然對稱到嚴重不對稱之間的緩衝區塊(提出 oAI 容貌整體不對稱性指標，作為醫病之間資訊透明，藉以溝通的工具)；(3) 建構顏面對稱性分類器 (分為感知正常(PN)、感知些微不對稱的正常(PAN)、感知不正常(PA)三類；其中感知不正常(PA)意味著手術改善的需要性)，與分類結果的可信指標(confidence index 或Ci)。以上三元資訊 (Tri-information 或{oAI, PN|PAN|PA, Ci}) 與臨床判讀的配適度可視為評量本研究計畫的KPI。研究設計與步驟. (1) 顏面界標點定位 (共計20 個界標點，合成14 個特徵值)；(2) 從單一張正常的無紋理影像自動產生一系列些微到嚴重不對稱顏面的形變顱顏影像 (stimulus faces)；(3) 設計動態問卷與施測、前測效度分析，利用感知收斂原理(Perception convergence)擷取並量化不對稱性感知；(4) 信度與統計分析、oAI 容貌整體不對稱性指標計算(粗估)；(5) 建置類神經網路分類器，計算oAI 參數，計算oAI 容貌整體不對稱性指標(最終)；(6) 呈現 {oAI, PN|PAN|PA, Ci} 三元資訊，並執行臨床驗證。學術影響與重要性. (1) 參考Farkas 的Anthropometry 定義，並改進相關文獻的顱顏特徵選用，定位20個顏面特徵界標點，其中8 個中線界標點，6 對兩側界標點，共計14 個特徵值。(2) 採用non-textural三維CBCT 與3dMD 影像作為研究對象。其中CBCT 和3dMD 影像解析度高，減少二維影像特徵遮蔽嚴重、光線陰影困擾判讀的缺點。同時，使用non-textural 影像則是避免膚質影響顏面不對稱性的判斷。(3) 本研究中所運用半自動計算顏面凹強度，並找出其快速變化區域，為一創新演算法，先導研究(pilot study)的結果顯示其效能優於許多傳統演算法，對於三維顱顏影像分析與特徵擷取，預期有重要學術貢獻。

系統編號:PB10507-2960
原計畫編號:MOST105-2221-E182-013