[论文解读] 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 0

一句话总结

AutoFFS 通过对一天线的对抗攻击，针对一个二元性别分类器集合对颅骨形态进行变形，从而生成与目标性别相反的对比性态颅骨形态，辅助面部女性化手术的定量规划。

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.

研究动机与目标

• 为面部女性化手术（FFS）规划提供超越主观评估的定量、可重复的指导。
• 开发一个数据驱动框架，创建朝向相反性别的对比性颅骨形态。
• 利用对变形的对抗性攻击对性别分类器产生目标性别的颅骨形状。
• 为基于解剖数据的个性化手术规划提供定量基础。

提出的方法

• 训练一个二元性别分类器集，以捕捉颅骨形态中的性别二态性。
• 使用可控晶格的三维三次B样条自由形变（FFD）对形变进行参数化。
• 在测试时通过优化控制点偏移量实现对目标性别概率最大化的基于变形的定向对抗攻击。
• 通过平滑性和弯曲能量项对形变进行正则化，以确保现实、可行的变换。
• 在整个集合（以及镜像翻转）上使用平滑的最坏情形边界损失，推动所有分类器越过边界γ。
• 通过反向传播穿透形变以利用Adam优化更新控制点。

实验结果

研究问题

• RQ1 能否以数据驱动、解剖学上合理的方式生成朝向目标性别的对比性颅骨形态？
• RQ2 基于集合的对抗性形变是否能在多样的颅骨形态中产生与目标性别特征相符的形态？
• RQ3 生成的形态是否在感知上与目标性别对齐，并且能否为手术规划提供客观指导？

主要发现

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

• 在颅骨MRI派生的骨形态学上训练的分类器在留出数据上表现优异（准确率>0.85，AUROC>0.93，跨结构）。
• 由集合引导的形变在评估分类器和镜像翻转中稳定地将颅骨形态推向目标性别。
• 可视化分析显示最大形变发生在下巴、眉脊、前额和颧骨，符合性别二态性特征。
• 感知性研究表明真实颅骨大约81%被正确分类，而经过转换的颅骨在约63%的案例中被感知为目标性别。
• 集成策略相比单一模型在形变结果的一致性和鲁棒性方面有显著提升。