[論文レビュー] From Preoperative CT to Postmastoidectomy Mesh Construction: Mastoidectomy Shape Prediction for Cochlear Implant Surgery

Yike Zhang, Eduardo Davalos+3 more|arXiv (Cornell University)|Jan 7, 2026

Hearing Loss and Rehabilitation被引用数 0

ひとこと要約

論文は、前処備CTスキャンから乳突形成の形状を予測するハイブリッドな自己監視学習と弱教師付きフレームワークを提示し、平均Diceスコア0.72を達成、CI手術のための3D後耳乳突形成表面再構築を前進させる。

ABSTRACT

Cochlear Implant (CI) surgery treats severe hearing loss by inserting an electrode array into the cochlea to stimulate the auditory nerve. An important step in this procedure is mastoidectomy, which removes part of the mastoid region of the temporal bone to provide surgical access. Accurate mastoidectomy shape prediction from preoperative imaging improves pre-surgical planning, reduces risks, and enhances surgical outcomes. Despite its importance, there are limited deep-learning-based studies regarding this topic due to the challenges of acquiring ground-truth labels. We address this gap by investigating self-supervised and weakly-supervised learning models to predict the mastoidectomy region without human annotations. We propose a hybrid self-supervised and weakly-supervised learning framework to predict the mastoidectomy region directly from preoperative CT scans, where the mastoid remains intact. Our hybrid method achieves a mean Dice score of 0.72 when predicting the complex and boundary-less mastoidectomy shape, surpassing state-of-the-art approaches and demonstrating strong performance. The method provides groundwork for constructing 3D postmastoidectomy surfaces directly from the corresponding preoperative CT scans. To our knowledge, this is the first work that integrating self-supervised and weakly-supervised learning for mastoidectomy shape prediction, offering a robust and efficient solution for CI surgical planning while leveraging 3D T-distribution loss in weakly-supervised medical imaging.

研究の動機と目的

• 正確な乳突形成の形状予測を動機づけ、CI手術の前方計画、ロボット支援、術中ナビゲーションを支援する。
• 自己教師あり学習と術後CTデータを活用して manual labeling を排除するフレームワークを開発する。
• ノイズの多いラベルに対して堅牢性を高める新規の3D T-Distribution lossを弱教師付き設定で導入する。

提案手法

• 術前および術後CTペアから自己教師あり学習を用いて乳突形成領域を予測する2段階フレームワーク。
• SegMambaベースのネットワークと事前学習済み SAM-Med3D エンコーダを用いて、術前CT上の乳突形成領域の反転確率マップを生成する。
• 自己教師あり出力から派生した弱ラベルと3D T-Distribution lossを用いた弱教師付きリファインメントにより、乳突形成の不規則な形状をロバストにモデル化する。
• 3D医療画像分割におけるノイズ多いラベルへの堅牢性を高めるため、Student-t分布に基づく3D T-Distribution lossを導入する。
• 標準の3D分割モデルと比較して、テストデータで Dice の向上とHD95の低減を示す。

実験結果

リサーチクエスチョン

• RQ1 前処備CTだけから直接、手動アノテーションなしで乳突形成の形状を正確に予測できるか。
• RQ2 自己教師ありと弱教師付きのハイブリッド手法は3D乳突形成分割におけるノイズラベルへの堅牢性を向上させるか。
• RQ3 提案された3D T-Distribution lossは、弱教師付きの3D医用画像処理タスクにおける従来の損失より優れているか。
• RQ4 予測された術後表面はCI手術の下流のナビゲーションと可視化をどのように支援するか。

主な発見

• 前処備CTから複雑な乳突形成の形状を予測する平均 Dice スコアは0.72。
• 提案手法はUNet-, transformer-, SwinUNETRベースのモデルと比較して複数の指標で最先端の性能を達成。
• 3D T-Distribution lossはノイズ多い/弱ラベルに対する堅牢性を向上させ、ablationテストでCE, BCE, Focal, MSE, MAE損失を上回る。
• 自己教師あり学習においてMambaベースのSegMambaアーキテクチャはU-Netおよびトランスフォーマーベースのベースラインを上回る。
• Table 2は提案手法が競合法の中で最も高いDice(0.721)と最も低いHD95(16.159)を達成。
• このフレームワークは術前CTから術後乳突形成表面を再構成し、術中ナビゲーションを向上させる。