综述 |面部软组织解剖标志点的测定及其在口腔医学领域中的应用

点击

“蓝色字”

关注我们！

面部骨性标志点的测定和评价，可辅助临床医生进行诊断和治疗［11-12］。随着诊疗需求的提高，面部软组织结构标志点的重要性也逐渐被人们所关注［13］。2001年就有学者提出儿童颅颌面软硬组织结构存在补偿与均衡的发育机制［14］，2022年的相关研究进一步展示了面部软组织特征对面部重建的重要性［15］。从最传统的直接测量到二维平面定点，再到现如今的三维自动定点，专科医生对于面部软组织解剖标志点的认识逐渐深入，现阶段较为常用的面部软组织解剖标志点如下。①软组织鼻根点（nasion of soft tissue，Ns）：鼻额缝对应的软组织最前端；②耳屏点（tragus，Tr）：耳屏珠前方面部皮肤移行点；③内眦点（endocathion，En）：在内眼角处上下眼睑缘相交点；④鼻尖点（pronasale，Prn）：鼻尖向前最突出的点；⑤鼻翼点（alare，Al）：鼻翼侧方最凸点；⑥鼻下点（subnasale，Sn）：鼻小柱与上唇的连接点；⑦颏前点（pogonion of soft tissue，Pos）：软组织颏部的最前点；⑧颏下点（menton of soft tissue，Mes）：软组织颏部的最下点。基于上述情况，本文就面部软组织解剖标志点的测定方法及其在口腔医学领域中的应用做一综述。

1    面部软组织解剖标志点的测定方法

1. 1    标志点手动测定法    面部测量技术的发展推动了人们对面部结构认识的深入，用于评估面部软组织形态特征的方法包括直接测量法和间接测量法。直接测量法即根据面部软组织标志点实际位置，利用游标卡尺或其他测量工具直接测量人体面部的实际结构尺寸和形态特点；其优点是成本低、结果直观，缺点是受试者体验不佳，对依从性要求高。间接测量法则是基于二维摄影技术［16］及三维成像技术［17-18］，分析测量图像上的面部软组织结构特征。其中，二维摄影技术的优点是可借助图片编辑软件辅助分析过程，但缺点是忽略了面部立体性；三维成像技术的优点是可结合软硬组织数据共同分析面部特征，但缺点是成本高且对算力要求高。

直接测量法是由测量者利用游标卡尺或其他辅助测量工具对受试者颌面部软组织标志点进行比例关系的测量。Farkas等［19］于1996年对此方法进行完善，要求在测量前描记面部软组织解剖标志点，以保证测量中的一致性。该方法成本低、结果直观，一直是面部测量的金标准［20］，但存在受试者体验差、测量误差难以避免的缺点。在测量过程中，测量者若对设备施加的力度过大，会导致受试者颌面部软组织形变甚至损伤［21-22］，导致人为误差的出现。此外，测量操作引起的受试者不适感及其对稳定性的要求，也对依从性提出了较高的需求［23］。鉴于直接测量法的操作局限性，间接测量法已逐步替代其成为现阶段的主流方法［20］，但直接测量法的“金标准”属性，仍是验证间接测量法准确性与稳定性的重要参考标准［17］。

为克服直接测量法的缺陷，研究者寻求借助面部图像等可反映患者面部特征的媒介，间接进行面部测量，以减少患者不适并提高可重复性。以往较常用的间接测量法为基于二维X线片的颅面部软组织头影测量，其方式与硬组织类似，通过在X线头颅正/侧位片上进行标志点的定位和线性距离及角度的测量［20，24-25］。该方法因需要进行X线片的拍摄，受到辐射剂量安全性的影响，适用范围具有一定局限性。随着二维图像摄影技术在面部软组织测量中的应用，这一问题得到了解决，其可对受试者正面、侧面及仰面角度的多组照片进行测量分析［21］，具有方法简便、成本低廉的优点，成为现如今较常应用的人体测量方式之一［23］。但无论是正面像、侧面像亦或仰面像，二维摄影测量技术较关键的两点在于确定标准平面和确保受试者与镜头相对位置的恒定不变［21，23，26］。在二维面像拍摄完成后，测量者将图像统一输入图片处理软件，根据标尺进行像素校准，测量两像素点之间的距离来完成二维图像分析。此外，还可应用图像处理软件对面像进行二次加工和定点，避免测量过程中出现标志点的位置偏移，提高测量效率和准确性［20］。但二维摄影的本质是平面图像，忽视了面部的立体性，其表现的形态特征本质上是面部结构在拍摄平面的投影，受到光线、受试者被拍摄时的姿势偏差及相机性能等因素的影响［22-23］。有研究表明，在测量受到光学影响较大的面部结构时，二维摄影测量偏差显著大于直接测量［21］。

计算机三维重建技术与面部激光扫描、立体摄影技术的有效结合，形成了面部软组织三维成像技术，该技术能够收集包括轮廓在内的信息来分析面部形态，突破了传统二维图像忽视面部立体结构的局限性。对面部软组织进行激光扫描及三维重建是目前较常用的一种研究面部软组织形态学的方法。有研究表明，激光三维扫描的测量精度达0.01 mm［27］，能够准确、快速地获取受试者面部三维数据，效果可信度高，可满足临床及科研需求。计算机三维模型直接定点，具有较好的准确性、一致性和可重复性［28］。鉴于激光扫描技术采集精度高、速度快、抗干扰能力强、立体结构重建逼真［23，29-30］，可同时提供临床治疗所关注的体积和术区表面积等细节量化资料，对于临床医生制定治疗方案具有较好的辅助作用，较二维摄影技术有更高的临床应用价值。

由于激光扫描过程中患者无法保持绝对静止，其产生的运动伪影成为激光扫描测量过程中的主要误差来源，且运动伪影的产生概率会因扫描时间的增加而增加［31］。Ayaz等［20］研究发现，三维立体摄影技术与二维摄影及三维激光扫描相比有着较小的测量误差。三维立体摄影技术借助相机从不同角度完成图像采集和整合，在同一三维坐标系中构建立体模型，并通过立体摄影设备赋予模型明度及纹理等形态数据［32］。目前该技术应用较多的主流设备为3dMD系统（3dMD Inc，美国），其由2个模块组成，每个模块有6个机器视觉相机、1个闪光系统和1个支架。这种扫描系统在立体摄影测量中结合了主动和被动结构光，其精度与直接测量法相比误差仅0.36 mm［32］，可作为三维人体分析的金标准［33］。虽然3dMD在获取面部三维立体结构中具有显著优势，但其在捕捉受试者面部数据时仍存在限制，如瘦削的受试者下颌下及颏下区域的数据无法被精准采集；当受试者面部软组织较厚时，在三维图像上识别一些较平坦的软组织标志点更为困难［34］。

作为人工智能领域的研究热点，机器学习尤其是深度学习，在面部测量中具有显著优势。对比目前二维摄影自动定点的其他方法，如图像过滤与标志点搜索的标志点识别，基于深度学习的定位方法精准度较高。其主要通过卷积神经网络的计算方法，对前期二维图像进行预处理后形成训练集，然后进行人工智能训练，并根据结果调整算法，最终达成自动测量的目的［36］。

深度学习，尤其是采用U-net架构的全卷积网络方法，在三维软组织测量中也具有较高的精准度［37］。其结构类似于二维测量中使用的卷积神经网络，但U-net全卷积网络结构采用了类似字母U的架构模式，且去除了全连接层，转而通过反卷积完成数据的整合。U形的左侧是编码阶段，也称收缩路径，每一层由2个卷积层和1个池化层组成；U形的右侧为扩展部分，由解码阶段和上采样过程组成，上采样过程通过反卷积实现。此方法最终输出的数据大小和维度与输入保持一致，但放大了特征值，利于在保持图像不变性的基础上实现更精确的标志点定位［38］。

对比二维测量的卷积神经网络，三维测量数据运算量大，对计算机中央处理器内存要求较高，而且三维自动定点目前缺乏公认的误差评估标准，人工智能定点算法设计困难。因此，二维软组织自动定点技术仍是主要的颌面部软组织测量方式［30］，其算法多针对二维X线片头影测量展开，已逐步投入临床应用。但亦有研究者着手研究基于3dMD系统的自动定点算法。Baksi等［39］采用初始化、图片对应和弹性变形3个步骤，根据面部各点的向量方向与长度，筛选面部软组织解剖标志点，并利用3dMD系统中的纹理信息辅助进行面部测量。目前此算法在进行受试者口鼻区识别与测量时具有较高的准确性，而由于解剖结构的限制，眉区与颌区的识别与测量误差较大，关于此方面的算法改善可能成为未来的研究重点。

2    面部软组织解剖标志点在口腔医学领域中的应用

涉及面部形态的学科都需要关注面部形态和解剖标志点，如口腔颌面外科学、口腔正畸学和正颌外科学等。以往采用的传统方法（如直接测量法等）存在耗时长、受试者依从性要求高等缺陷。以二维图像技术为代表的间接测量法提高了测量稳定性和便捷性，也在一定程度上保证了测量精度，在口腔医学的各个领域得到了应用。基于人工智能的三维面部软组织自动定点和测量，不仅可提高测量精度和效率，还可实现大数据资源共享和交互，具有广阔的应用前景。

2. 3    正颌外科学——预测面部软组织形态变化    在正颌手术中，“可视化治疗目标”的确定是非常重要的环节，即在治疗开始前对患者的面部形态变化进行预测，并以此为目标进行治疗方案的制定。因此，面部软组织形态和解剖标志点测量技术的提升，对提高治疗的可预测性具有重要意义，还可对治疗方案的选择提供一定的理论依据［45］。此外，明确的治疗效果预测对患者治疗过程体验有着积极的影响，其准确的疗效预估能降低患者术前焦虑，提高患者依从性［46］。目前现存的模型预测算法在口唇区与颏区的预测准确性较低，治疗开展前应向患者告知可能存在的治疗误差［45］。未来可对正颌手术患者的三维面部软组织形态变化预测模型进行改进，提高其预测准确性和可靠性。

面部软组织解剖标志点的测量涉及口腔医学临床诊疗的方方面面，具有重要作用，其标定方法已逐渐从人工手动测量向计算机辅助自动测量方向发展。如何将三维面部重建与二维摄影测量相结合，完成更贴合实际的面部形态重塑，是现阶段的重要研究方向。但目前尚无相对统一的三维面部测量标准和自动测量方案，或许人工智能的介入和发展会成为此研究方向推进的关键。