[논문 리뷰] From Preoperative CT to Postmastoidectomy Mesh Construction: Mastoidectomy Shape Prediction for Cochlear Implant Surgery

Yike Zhang, Eduardo Davalos외 3명|arXiv (Cornell University)|2026. 01. 07.

Hearing Loss and Rehabilitation인용 수 0

한 줄 요약

본 논문은 수술 전 CT 스캔으로 유양돌 형상 예측을 위한 자가지도(Self-supervised) 및 약지도(weakly-supervised) 하이브리드 프레임워크를 제시하고, 평균 Dice 점수 0.72를 달성했으며 CI 수술을 위한 3D 유양돌 후 표면 재구성을 향상시킨다.

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.

연구 동기 및 목표

• 수술 전 계획, 로봇 보조, 그리고 코클리어 임플란트(CI) 수술의 수술 중 내비게이션을 돕기 위해 유양돌형 정확한 예측의 필요성을 제기한다.
• 수술 후 CT 데이터를 활용한 자가지도 학습으로 수동 라벨링을 제거하는 프레임워크를 개발한다.
• 약지도 설정에서 새로운 3D T-Distribution 손실을 통해 노이즈 라벨에 대한 강건성을 향상시킨다.

제안 방법

• 수술 전/후 CT 쌍으로부터의 자가지도 학습을 결합한 두 단계 프레임워크로 유양돌 영역을 예측한다.
• 사전 학습된 SAM-Med3D 인코더를 갖춘 SegMamba 기반 네트워크가 수술 전 CT에서 유양돌 영역의 역확률 맵을 생성한다.
• 자가지도 출력에서 유래한 약한 라벨과 3D T-Distribution 손실을 이용한 약지도 정교화를 통해 불규칙한 유양돌 기하를 견고하게 모델링한다.
• 3D 의학 영상 분할에서 노이즈 라벨에 대한 강건성을 높이기 위한 3D T-Distribution 손실( Student-t 분포 기반) 도입.
• 표준 3D 분할 모델에 대한 평가에서 테스트 데이터에서 더 우수한 Dice와 더 낮은 HD95를 보임.

실험 결과

연구 질문

• RQ1 유양돌 형상이 수동 주석 없이 수술 전 CT 만으로도 정확하게 예측될 수 있는가?
• RQ2 자가지도와 약지도 하이브리드 접근법이 3D 유양돌 분할에서 노이즈 라벨에 대한 강건성을 개선하는가?
• RQ3 제안된 3D T-Distribution 손실이 약지도 3D 의학 영상 작업에서 기존 손실보다 우수한가?
• RQ4 예측된 postmastoidectomy 표면이 CI 수술의 후속 내비게이션 및 시각화를 어떻게 가능하게 하는가?

주요 결과

• 수술 전 CT로부터 복합적인 유양돌 형상을 예측한 평균 Dice 점수는 0.72이다.
• 제안된 방법은 UNet-, transformer-, SwinUNETR 기반 모델과 비교하여 여러 지표에서 최첨단 성능을 달성한다.
• 3D T-Distribution 손실은 노이즈/약한 라벨에 대한 강건성을 개선하고, 제거 실험에서 CE, BCE, Focal, MSE, MAE 손실보다 우수하다.
• 소거 결과 Mamba 기반 SegMamba 아키텍처가 자가지도 학습에서 U-Net 및 Transformer 베이스라인을 능가한다.
• 표 2는 제안된 방법이 경쟁 방법들 중에서 가장 높은 Dice(0.721)와 가장 낮은 HD95(16.159)를 달성함을 보여준다.
• 이 프레임워크는 수술 중 내비게이션 개선을 위해 수술 전 CT로부터 postmastoidectomy 표면 재구성을 가능하게 한다.