基于贝叶斯神经网络的颅骨形状不确定性估计与概率重建

《Scientific Reports》：Uncertainty estimation and probabilistic skull shape reconstruction using bayesian neural networks

　　

三维（3D）形状重建是计算机视觉领域的一个活跃研究方向及基础问题，其在医学领域的应用日益增长，能够恢复缺失或精细的解剖结构。尽管已提出多种医学形状重建方法以强调准确且符合解剖学合理性的重建，但三维形状重建本质上仍是一个病态问题，这意味着：（1）基于神经网络的方法和传统形状建模方法在其预测中自然会引入不确定性；（2）对于给定的部分或低分辨率输入，存在多种符合解剖学合理性的重建结果。虽然不确定性方面在通用计算机视觉中已被广泛探索，但在医学形状重建背景下仍相对未被充分研究。在此项研究中，研究人员开发了一种三维贝叶斯 U-Net（Bayesian U-Net），并调查了其在三个关键任务中的应用：颅骨重建、面部重建以及颅骨形状超分辨率。研究结果表明，该贝叶斯模型能够生成一系列符合解剖学合理性的颅骨重建结果，同时捕捉到由学习到的权重不确定性引起的自然颅骨变异。值得注意的是，这些变异主要通过骨厚度的差异表现出来，这与解剖学预期一致，尤其在颅骨植入物设计等实际应用中具有重要意义。此外，研究人员提出了一个原则性框架，通过分析权重的学习后验分布来研究权重不确定性与重建不确定性之间的关系，证明该贝叶斯 U-Net 在提供可靠不确定性估计的同时，实现了与确定性 U-Net 基线相当的重建性能。研究还揭示了一种明确的跨任务不确定性模式：具有更强结构约束的任务（如超分辨率）产生较低的预测不确定性，而约束较少的任务（如面部重建）则导致较高的不确定性。

**基于贝叶斯神经网络的颅骨形状不确定性估计与概率重建论文解读**

**研究背景与问题阐述**
近年来，几何深度学习在从部分或退化数据中重建形状的任务中开辟了新的前沿。这些进展使得复杂形状的建模与重建更加准确高效，广泛应用于虚拟现实至临床决策支持等多个领域。然而，从稀疏、噪声或不完整的输入中可靠地恢复细粒度解剖细节仍然是一个关键挑战。特别是在医疗等高利害环境中，预测的准确性及其误差界限的可解释性至关重要。三维形状重建任务（包括形状补全和形状超分辨率）本质上是病态的，即对于同一输入可能存在多种合理的几何推断。现有的深度学习方法（如卷积神经网络、Transformer、生成对抗网络 GANs 及扩散模型）虽能生成解剖学合理的颅骨重建，但大多仅输出单一固定的重建结果，忽略了重建过程中固有的不确定性。目前存在两个显著缺口：一是缺乏针对颅骨形状补全和超分辨率中不确定性估计的研究；二是未能利用解剖学合理的形状变异来提高深度学习重建过程的可解释性及结果的鲁棒性，而这在颅骨植入物设计等临床应用中尤为关键。此外，现有的点级或体素级评估指标（如 Chamfer 距离 CD、Dice 相似系数 DSC、Hausdorff 距离 HD）往往惩罚那些偏离单一真值但符合解剖学常识的变异，因此需要一种能反映自然解剖和临床变异的评估方式。

**研究内容与意义**
针对上述问题，研究人员开展了一项开创性研究，利用贝叶斯神经网络（BNNs）进行颅骨形状的不确定性估计与概率重建。该研究首次专门针对颅骨修补术和植入物设计中的刚性解剖形状补全问题，整合了颅骨形状重建（含颅骨和面部）与超分辨率三个相关任务。研究人员开发了三维贝叶斯 U-Net 模型，旨在不仅生成一系列符合解剖学合理性的颅骨重建方案，还能量化重建过程中的固有不确定性。该研究成果发表于《Scientific Reports》，其重要意义在于将计算机视觉中先进的形状补全方法与颅面形状重建应用中对不确定性估计的实际需求相结合，通过将权重不确定性转化为具有临床意义的几何变异（如骨厚度变化），填补了关键的技术空白。

**关键技术方法**
研究人员采用的核心技术是基于变分推断（VI）的三维贝叶斯 U-Net 架构。该方法将神经网络的权重视为随机变量而非确定值，通过假设权重服从先验分布（通常为标准高斯分布），并利用变分分布（如多元高斯分布）来近似真实的后验分布。模型训练的目标是最大化证据下界（ELBO），该目标函数由期望对数似然项（通常实现为 Dice 损失以拟合数据）和 Kullback-Leibler（KL）散度项（作为正则化项迫使权重分布接近先验）组成。具体实施中，网络的下采样路径采用确定性权重，而上采样路径引入基于 TensorFlow Probability（TFP）的贝叶斯卷积层以捕捉参数不确定性。在推理阶段，研究人员利用蒙特卡洛（MC）采样技术，通过多次前向传播采样不同的权重集，计算预测结果的均值和方差，从而量化体素级的重建不确定性（即认知不确定性）。研究数据来源于 AutoImplant 挑战赛数据集，涵盖了 100 对缺陷 - 健康颅骨用于训练，以及 100 个测试案例，任务包括颅骨重建、面部重建及将分辨率从 128×128×64 提升至 256×256×128 的超分辨率任务。

**研究结果分析**

**颅骨重建（Cranial reconstruction）**
研究人员通过对第 8 个贝叶斯层的权重均值施加不同标准差倍数（$\lambda$）的扰动，展示了颅骨重建的不确定性。结果显示，模型在植入物外表面边缘区域表现出低不确定性，表明模型能自信地维持植入物与周围颅骨的平滑过渡；而在非边缘区域和内表面则表现出较高不确定性，对应于表面曲率和植入物厚度的较大变异。这种厚度变异与临床实践中个体化颅骨植入物的设计考量高度一致。此外，通过主成分分析（PCA）和概率密度函数（PDF）拟合，证实了 learned 权重分布符合高斯分布，且权重 spread 代表了模型在解剖学合理范围内的预测不确定性。

**面部重建（Facial reconstruction）**
在面部重建任务中，研究人员观察到比颅骨重建更高的不确定性水平。对于缺失部分面部骨骼的案例，由于需保持面部对称性等解剖学约束，不确定性相对较低；而对于大部分面部骨骼缺失的案例，由于约束较少，不确定性显著增加。高不确定性区域主要集中在面部骨骼的内外表面厚度以及前额的突出程度上。尽管如此，生成的形状变异仍保留了鼻根点、眉间点和颧弓等关键解剖标志，符合人类颅骨解剖预期。

**颅骨形状超分辨率（Skull shape super-resolution）**
超分辨率任务旨在平滑颅骨表面并恢复精细几何细节。研究发现，该任务的整体不确定性最低，权重分布更为集中。这归因于低分辨率输入提供了强烈的几何约束（或形状先验），引导网络趋向于一致的全局形状重建。高不确定性区域主要分布在面部区域，对应于低分辨率输入中缺失且需推断的精细面部结构。有趣的是，大幅增加 $\lambda$ 值仅导致预测变得粗糙但仍保持整体颅骨形状，表明模型学习了强大的全局形状先验，且被扰动的层级主要编码表面细节而非整体结构。

**定量评估与不确定性校准**
在与确定性 U-Net 基线的对比中，经过预训练并引入 KL 正则化的贝叶斯模型（Exp. 4）在所有指标（DSC, HD95, ASD）上均表现最佳。相关性分析显示，预测不确定性与重建误差之间存在显著的正相关关系（Pearson 相关系数约 0.43，Spearman 相关系数约 0.48），且受试者工作特征曲线（AUROC）面积高达 0.86 以上，证明模型能有效识别重建错误的体素。校准研究表明，结合预训练和 KL 正则化的策略能获得最佳的校准效果（加权期望校准误差 wECE 最低），确保了概率预测的可靠性。

**总结与讨论**
综上所述，研究人员成功开发并验证了一种基于贝叶斯 U-Net 的框架，用于颅骨形状补全和超分辨率任务中的不确定性估计与概率重建。该模型不仅能生成多种符合解剖学合理性的重建方案，还能提供与重建误差高度相关的体素级不确定性估计，有效突出了重建中的困难区域和解剖学变异（特别是骨厚度变化）。研究揭示了任务约束强度与不确定性水平之间的明确关系：面部重建因自由度大而不确定性最高，超分辨率因强约束而不确定性最低，颅骨重建居中。尽管本研究样本量有限，但其提出的方法为 craniofacial 重建等对不确定性敏感的任务提供了新的解决思路，未来可通过多中心外部队列进一步验证其鲁棒性，并扩展至更广泛的临床应用。