要旨: 下顎再建後の長期にわたる骨リモデリングを予測することは、臨床的に大きな価値がありますが、標準的な生成モデルでは長い時間的スパンにおいて軌道レベルの一貫性と解剖学的忠実性を維持することが難しいのが現状です。本研究では、Day-5 スキャンから Year-1 の術後 CT スキャンを予測するフローベースの枠組みである OsteoFlow を提案します。我々の中核的な貢献は、リヤプノフ（Lyapunov）に導かれた軌道蒸留です。一段階の蒸留とは異なり、本手法は登録に由来する定常速度場の教師から得られる、輸送（transport）時間にわたる連続的な軌道を蒸留します。さらに、切除（resection）を考慮した画像損失を組み合わせることで、生成能力を損なうことなく幾何学的対応関係を強制します。344 組の関心領域（region of interest）で評価したところ、OsteoFlow は最先端のベースラインを大きく上回り、外科的切除ゾーンにおける平均絶対誤差を約 20% 削減しました。これは、長期予測における軌道蒸留の有望性を示しています。コードは GitHub で利用可能です: OsteoFlow.
OsteoFlow：下顎再建後の骨リモデリングを予測するためのリャプノフ誘導フロー蒸留
arXiv cs.CV / 2026/3/25
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- OsteoFlowは、流れ（フロー）ベースの生成フレームワークであり、下顎再建後のDay-5スキャンから、術後1年目（Year-1）の骨リモデリングのCTスキャンを予測します。
- 本手法の主要な貢献は、リャプノフ誘導（Lyapunov-guided）による軌道蒸留で、輸送時間にわたる連続的な運動（単発の出力だけではなく）を、登録に由来する停留（stationary）な速度場の教師から蒸留します。
- 解剖学的な忠実性と幾何学的対応関係を維持するために、OsteoFlowは切除（resection）に対応した画像損失を追加し、学習した軌道を拘束しつつ、生成能力を低下させません。
- 344の対応する関心領域（region of interest）において、OsteoFlowは最先端のベースラインを上回り、外科的切除領域で平均絶対誤差を約20%低減しました。
- 著者らはGitHub上でコードを提供しており、このアプローチを、長期的な医療予測において軌道レベルの整合性を担保する有望な手法として位置づけています。
