Ansiktsprediksjonsteknologi for edentulose pasienter

I følge data fra Verdens helseorganisasjon er omtrent 160 millioner mennesker over hele verden uten tannløshet. Forekomsten øker med alderen, og andelen tannløse pasienter er høyere i befolkningen over 60 år. Tap av tenner eller edentulisme kan påvirke ansiktets utseende, føre til at folk føler seg selvbevisste og taper tillit i sosiale situasjoner, og til og med føre til psykiske sykdommer. Derfor er tannløse pasienter ikke bare oppmerksomme på gjenoppretting av oral funksjon, men legger også stor vekt på forbedring av ansiktskonturen. I lang tid, på grunn av teknologiske begrensninger, har klinikere ikke vært i stand til å skildre endringene i ansiktskontur etter implantatplassering for pasienter før operasjon. Imidlertid, med utviklingen av kunstig intelligens-teknologi, har dyplæringsbaserte metoder for å forutsi ansiktsdeformasjon av bløtvev gjort dette oppdraget en mulighet. Denne studien etablerte et multimodalt datasett for tannløse pasienter før og etter implantatrestaurering for å legge grunnlaget for å forutsi ansiktskonturendringer etter implantatbehandling. Et grafgenerativt motstandsnettverk basert på multimodale data ble foreslått for å oppnå rask og høy presisjon forutsigelse av ansiktskontur. For å møte de vanlige utfordringene med langsom beregning og overdreven beregningsressursforbruk i nåværende simuleringsmetoder for triangulære mesh-deformasjoner, foreslo dette prosjektet innovativt et grafgenerativt motstandsnettverk som bruker multimodale data og inkorporerer selvoppmerksomhetsmekanismer for å oppnå rask og høy presisjon ansiktsbehandling konturprediksjon for tannløse pasienter etter implantatrestaurering.