[論文レビュー] AutoFFS: Adversarial Deformations for Facial Feminization Surgery Planning

Paul Friedrich, Florentin Bieder+2 more|arXiv (Cornell University)|Mar 2, 2026

Facial Rejuvenation and Surgery Techniques被引用数 0

ひとこと要約

AutoFFS は、対の性別分類器のアンサンブルに対する変形ベースの標的敵対的攻撃を適用することにより、反事実的頭蓋骨形態を生成して、顔面の女性化手術の定量的計画を支援します。

ABSTRACT

Facial feminization surgery (FFS) is a key component of gender affirmation for transgender and gender diverse patients, aiming to reshape craniofacial structures toward a female morphology. Current surgical planning procedures largely rely on subjective clinical assessment, lacking quantitative and reproducible anatomical guidance. We therefore propose AutoFFS, a novel data-driven framework that generates counterfactual skull morphologies through adversarial free-form deformations. Our method performs a deformation-based targeted adversarial attack on an ensemble of pre-trained binary sex classifiers that learned sexual dimorphism, effectively transforming individual skull shapes toward the target sex. The generated counterfactual skull morphologies provide a quantitative foundation for preoperative planning in FFS, driving advances in this largely overlooked patient group. We validate our approach through classifier-based evaluation and a human perceptual study, confirming that the generated morphologies exhibit target sex characteristics.

研究の動機と目的

• 主観的評価を超えた顔面女性化手術（FFS）計画の定量的で再現可能な指針を動機づける。
• 対の性別へ向けた反事実的頭蓋骨形態を作成するデータ駆動フレームワークを開発する。
• 性別分類器に対する変形ベースの敵対的攻撃を活用して標的性別の頭蓋骨形状を生成する。
• 解剖学的データに基づく個別化手術計画の定量的基盤を提供する。

提案手法

• 頭蓋骨形態の性差を捉える binary 性別分類器のアンサンブルを訓練する。
• controllable な格子を持つ3D のキュービック B-spline 自由形変形（FFD）を用いて変形をパラメータ化する。
• テスト時に制御点オフセットを最適化して標的性別確率を最大化することで、変形ベースの標的敵対的攻撃を実行する。
• 現実的で妥当な変換を保証するために滑らかさ項と曲げエネルギー項で変形を正則化する。
• Ensemble（および対称反転）全体で最悪ケースマージン損失を滑らかに用いて、すべての分類器をマージン γ を越えさせる。
• Adam 最適化を用いてコントロールポイントを更新するため変形を逆伝播する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動で解剖学的に適切な方法で、標的性別へ向けた反事実的頭蓋骨形態を生成できるか。
• RQ2 アンサンブルベースの敵対的変形は、さまざまな頭蓋骨形状において標的性別の特徴と整合する形態を生み出すか。
• RQ3 生成された形態は認知的に意図された性別と一致しており、手術計画に対する客観的指針を提供できるか。

主な発見

Model	Depth	Acc	F1	AUROC
ResNet18	18	0.924	0.932	0.969
ResNet34	34	0.939	0.946	0.979
ResNet50	50	0.924	0.929	0.976
ResNet101	101	0.864	0.880	0.931
SE-ResNet18	18	0.894	0.904	0.964
SE-ResNet34	34	0.924	0.932	0.988
SE-ResNet50	50	0.848	0.865	0.949
SE-ResNet101	101	0.818	0.842	0.937

• 頭蓋骨 MRI 由来の骨格形態を学習した分類器は高いホールドアウト性能を達成（Acc は 0.85 以上、AUROC は 0.93 超、アーキテクチャ全体で）。
• アンサンブルに導かれた変形は、評価分類器および鏡像反転において標的性別へ頭蓋骨形態を安定して導く。
• 視覚的分析により、顎、眉弓、前頭部、頬骨で最大の変形が見られ、性差特徴と一致する。
• 知覚実験では、実際の頭蓋骨は約81% の確率で正しく分類され、変換頭蓋骨は約63% のケースで対象性別として認識される。
• アンサンブル戦略は、単一モデルを使用する場合と比べて変形結果の一貫性と頑健性を向上させる。