Three-Dimensional Prediction of Facial Soft Tissue Changes after Orthognathic Surgery in Skeletal Class III Malocclusion Patients : A Deep Neural Network Approach Using CBCT Images

다국어 초록 (Multilingual Abstract)

Introduction
Predicting soft tissue changes in the maxillofacial region after orthognathic surgery still remains a challenge due to the complexity of soft tissue dynamics. This study aimed to develop a deep learning (DL) model using CBCT images of skeletal Class III malocclusion patients to predict three-dimensional (3D) changes in facial soft tissue following orthognathic surgery.

Materials and Methods
A total of 70 skeletal Class III malocclusion patients without significant asymmetry were included in this study. Using 3D Slicer, 3D facial soft tissue meshes were reconstructed from CBCT images obtained preoperatively and 1 year postoperatively. Soft tissue curvatures were simplified to generate 3D coordinate data, which, combined with the orthognathic surgery plan, served as input for the DL model. Of the total cohort, 64 patients were randomly assigned to the training group, where the DL model was designed and trained. The remaining 6 patients were allocated to the test group to assess the model’s prediction performance.

Results
A rendering engine was used to superimpose 3D facial meshes for visual validation. The comparison between preoperative and estimated meshes revealed similar changes, particularly in mandibular setback, despite slight differences in displacement, while postoperative and estimated meshes demonstrated high similarity. Analysis of 3D coordinate changes at facial soft tissue landmarks exhibited the highest similarity in vector changes at and Pog' and Me’, and lower similarity at Ala_L, Sn, and Sto. Vector distance analysis showed significant differences at specific landmarks at Sl. Overall, the DL model produced results closely matching actual outcomes, particularly in vertical facial height, nasal structure, and lateral aesthetic assessments based on anthropometric evaluation.

Conclusion
This study demonstrated the feasibility of incorporating a DL model with CBCT images in oral and maxillofacial surgery to predict three-dimensional facial soft tissue changes during orthognathic surgery, guided by the surgical plan. While the model achieved satisfactory overall accuracy, certain limitations were identified in regions characterized by detailed curvatures. Nevertheless, the model exhibited significant potential for visualizing surgical outcomes and supporting the development of patient-centered treatment. Continuous refinement of the model and the expansion of training data are anticipated to further enhance its performance and clinical applicability.

국문 초록 (Abstract)

서론
악교정 수술 후의 안면 연조직 변화 예측은 구강악안면 연조직의 복합적인 특성으로 인해 여전히 도전적인 과제로 남아있다. 본 연구는 골격성 3급 부정교합 환자의 CBCT 영상을 활용하여 딥 러닝 기반 학습 모델을 개발하고, 이를 통해 악교정 수술 후 안면 연조직 변화를 3차원적으로 예측할 수 있는 가능성을 탐구하고자 하였다.


연구방법
현저한 비대칭이 관찰되지 않는 골격성 III급 부정교합 환자 70명을 대상으로, 3D Slicer를 사용하여 수술 전과 수술 후 1년의 CBCT 영상에서 안면 연조직의 3차원 메쉬를 형성하였다. 이후 연조직의 굴곡을 단순화하여 3차원 좌표 정보를 생성하고, 이를 악교정 수술계획과 함께 딥러닝 모델의 입력값으로 사용하였다. 무작위로 선택된 64명은 training group으로 분류되어, 이들 정보를 바탕으로 딥 러닝 모델을 설계하고 학습하였으며, 나머지 6명은 test group으로 분류하여 딥 러닝 모델의 예측 성능을 평가하였다.


결과
렌더링 엔진을 사용하여 3차원 메쉬를 중첩하여 시각적 검증을 수행하였다. 술 전과 예측 결과 비교에서 하악부의 후퇴 양상은 실제와 유사성을 보였으나, 이동량에서 소폭 차이가 관찰되었다. 술 후와 예측 결과를 비교하였을 때, 두 메쉬의 유사성을 확인하였다. 안면 연조직 계측점의 3차원 좌표 벡터 변화 분석에서 Pog’와 Me’에서 벡터 변화의 유사성이 가장 높았으며, Ala_L, Sn, 그리고 Sto에서는 유사성이 낮았다. 또한, 벡터의 크기 차이에서, Sl과 같은 특정 계측점에서는 차이가 있음을 확인하였다. 마지막으로, 계측점 기반의 수직 얼굴 길이, 코 구조 및 측면 심미성 평가에서 딥 러닝 모델은 전반적으로 실제와 유사한 결과를 나타내었다.


결론
본 연구는 악교정 수술 시 CBCT 영상과 딥러닝 모델을 활용하여 수술 계획에 따른 환자의 안면 연조직 변화를 3차원적으로 예측할 수 있는 가능성을 확인한 점에서 의의가 있다. 개발된 모델의 예측은 전반적으로 만족스러운 정확도를 나타냈으나, 정확한 하악의 후퇴량과 세밀한 변곡점의 예측에서는 다소 한계가 있음을 확인하였다. 본 연구의 결과는 수술 결과를 예측하고 시각화하여 환자 맞춤형 치료 계획을 제공할 수 있는 잠재력을 보여주었으며, 지속적으로 모델을 개선하고 학습 데이터를 확장함으로써 딥 러닝 모델의 성능 향상과 임상적 적용에 기여할 것으로 기대된다.

목차 (Table of Contents)

• Abstract v
• 1. Introduction 1
• 2. Materials and Methods 4
• 1) Study Subjects 4
• 2) Study Materials 7
• 3) Neural Network Architecture 14
• 4) Validation 17
• 3. Results 25
• 1) Visual Inspection 26
• 2) Measurement of Vector Changes between Landmarks 30
• 3) Anthropometry 32
• 4. Discussion 36
• 5. Conclusion 41
• Reference 42
• Appendix 46
• Abstract (in Korean) 49