结合三维重建与机器学习预测上颌中切牙宽度的研究

摘要

传统人类学测量在微笑美学临床实践中存在主观误差问题.本文提出了一种包含三维面部标志点自动检测、双目三维重建、WGAN-GP数据增强、回归模型分析的上颌中切牙宽度智能预测技术.通过200例三维面部扫描数据，建立了包含口角间距（Inter-canthal width, ICW）、鼻翼宽度（Inter-alar width, IAW）等5项关键解剖参数的特征空间，创新性地将Wasserstein生成对抗网络与梯度惩罚机制引入，有效解决了小样本条件下的模型泛化难题.系统比较了多层感知器（Multilayer perceptron,MLP）、梯度提升回归（Gradient boosting regression,GBR）等五种回归算法的性能差异，其中GBR在测试集上达到0.9446的决定系数，预测误差（RMSE=0.1238 mm）较传统方法降低73.44%，而多层感知器（MLP）展现出最佳的泛化稳定性（测试集决定系数R²=0.9691）.本方法通过三维特征空间映射与集成学习策略，实现了亚毫米级预测精度（0.0924～0.2358 mm），建议临床优先采用MLP或者GBR模型架构，为数字化微笑设计提供可解释性强、临床适配度高的智能决策模型.

关键词

面部分析 / 上颌中切牙预测 / 三维重建 / 机器学习 / 数据增强

基金资助

国家自然科学基金联合基金资助项目(U22A2022);国家自然科学基金重点资助项目(62332017)