趙家敏 ，儲光 ，牟清楠 ，韓夢琪 ，陳騰 ，侯玉霞 ，郭昱成

（1.陜西省顱頜面精準醫(yī)學研究重點實驗室，陜西 西安 710004；2.西安交通大學口腔醫(yī)院正畸科，陜西西安 710004；3.西安交通大學醫(yī)學部法醫(yī)學院，陜西 西安 710049）

顱面復原是結合解剖學、人類學、藝術以及計算機等技術科學恢復未知顱骨軟組織外貌的一種方法，廣泛應用于法醫(yī)學尸源身份的個體識別案件中。傳統(tǒng)手工方法顱面復原技術依據(jù)其復原結果分為二維重建和三維重建。主要是由一些經(jīng)驗豐富的醫(yī)學藝術家或是解剖學家，根據(jù)對顱骨結構的分析，手工繪制出可能的面部形態(tài)或者使用黏土在顱骨模型上恢復軟組織三維面型。1895年，在瑞典出生的德國解剖學家Wilhelm His通過測量尸體獲得面部軟組織厚度（facial soft tissue thickness，F(xiàn)STT）數(shù)據(jù)，以此重建了作曲家Johann Sebastian Bach的面部結構，這被認為是最早的顱面復原研究[1]。顱面復原的手段從最初的手工方法到20世紀末期開始逐漸轉變?yōu)榻Y合計算機的軟組織三維重建，但基本原理與之前相似，都是基于軟組織厚度數(shù)據(jù)[2]。顱面復原在未知尸源身份的個體識別案件中具有重要的研究意義和應用價值。

1 顱面復原方法

目前使用的顱面復原技術主要包括人工顱面復原技術和計算機輔助的顱面復原技術，其中基于各種算法的計算機輔助的顱面復原技術是當前研究的熱點。

1.1 人工顱面復原技術

自1895年，WILHELM HIS開始運用人工顱面復原技術至今已有100多年的歷史，常用的方法主要包括泥塑法和雕刻法[1]。人工顱面復原技術主要有3種：（1）GERASIMOV于1971年提出的解剖學方法又稱為俄羅斯法。此方法不考慮軟組織厚度而只考慮肌肉和腺體的解剖結構和位置，由于其重建效率較低，而且需要專業(yè)人士來操作，主要用于對化石的復原，目前已經(jīng)不再使用[3]。（2）KROGMAN于1971年提出的人體測量方法又稱為美國法。此方法考慮了較少的解剖細節(jié)，且著眼于軟組織厚度資料，降低了主觀性[4]。（3）NEAVE于1977年提出的組合方法又稱為英國法或者曼徹斯特法[5]。該方法是當今使用最普遍的顱面復原方法，同時考慮了軟組織厚度和面部肌肉，將頭骨固定在以法蘭克福平面（Frankfurt horizontal，F(xiàn)H）為標準的可調(diào)節(jié)支架上，然后添加面部組織釘或標志點。用黏土模仿面部肌肉腺體，按照其在骨骼上的起止點進行一層層的疊加，以恢復軟組織形態(tài)。

人工方法進行顱面復原的主要問題在于重建結果很大程度受到操作者的審美和技術的影響。2000年，VANEZI等[6]發(fā)現(xiàn)不同的操作者使用人工方法對同一顱骨進行復原，獲得的結果差別較大。其次，耗時較長，對一個顱骨的重建往往需要1個月的時間，嚴重影響案件偵破的進度。由于技術敏感性和操作時間長等不足，國內(nèi)外學者開始研究計算機輔助的顱面復原技術[7]。

1.2 計算機輔助的顱面復原技術

計算機輔助的顱面復原技術是運用曼徹斯特法的原理，結合FSTT與形態(tài)學特征，使用計算機技術進行顱面部軟組織的重建。這種方法克服了人工方法主觀性強、操作技術要求高、耗費時間長等缺點，還可以進行特異化處理，如增加皺紋、膚色等信息，也可依據(jù)不同性別、年齡、體重指數(shù)（body mass index，BMI）生成不同的軟組織面型，提高了復原準確性，更有利于案件的偵破[8-9]。其基本步驟是：（1）對目標顱骨進行數(shù)字化掃描；（2）選取與目標顱骨具有相同特征的模板；（3）將目標顱骨與模板進行配準；（4）通過模板數(shù)據(jù)結合不同算法進行目標顱骨的復原。

目前的計算機輔助顱面復原主要是基于軟組織厚度數(shù)據(jù)的顱面重建，需要軟組織數(shù)據(jù)庫的支持。通過選擇與目標顱骨具有相似特征的顱面部數(shù)據(jù)，利用其中特征標志點的數(shù)值以及軟組織在顱骨上的分布規(guī)律對目標顱骨進行復原。根據(jù)其所需的特征標志點數(shù)目分為稀疏軟組織厚度復原技術和稠密軟組織厚度復原技術。稀疏軟組織厚度復原技術是在目標顱骨上的標志點放置虛擬組織釘，并以組織釘?shù)哪┒俗鳛榛謴偷能浗M織表面，這種方法最早由VANEZI等[6]提出，WILKINSON等[10]研究了此方法的準確性，結果顯示，大多數(shù)區(qū)域的誤差在2.5 mm以內(nèi)。稠密軟組織厚度復原技術是將相似的已知顱骨與目標顱骨進行匹配，利用已知模板數(shù)據(jù)進行配準計算，從而復原目標顱骨[11]，這種方法相對于稀疏軟組織厚度復原方法來說使用了更多的軟組織數(shù)據(jù)，但是只能獲得面部軟組織的厚度數(shù)據(jù)而無法獲得眼、鼻、口、耳等五官的復原信息，需要進一步根據(jù)已有的復原理論進行選擇和添加，并且由于該復原技術是在復原模板基礎上實現(xiàn)的，獲得的結果一定程度上與選擇的模板相近[12]。

2 軟組織厚度測量方法

顱面復原是在已知顱骨的基礎上進行包括軟組織厚度以及眼、鼻、口、耳等五官的重建，是在FSTT基礎上結合軟組織形態(tài)學研究進行的，許多軟組織測量方法應運而生[13-14]。STEPHAN等[15]對1883—2007年的62項相關研究進行分析，認為不同的軟組織測量方法各有其潛在的優(yōu)缺點，且這些優(yōu)缺點影響了軟組織厚度測量結果。

2.1 軟組織穿刺法

這種方法是將經(jīng)過校準的針或者刀片垂直插入軟組織，根據(jù)插入的深度計算不同解剖位點的軟組織厚度。在19世紀末期，德國生理解剖學家WELCKER通過將一把小的手術刀插入尸體面部不同解剖位點的軟組織以獲得軟組織厚度數(shù)據(jù)[16]。WILHELM HIS在19世紀90年代沿用并改良了WELCKER的方法，用前端帶有橡皮托的細針進行試驗，減少了由于刀片較寬而造成的組織移位，提高了測量數(shù)據(jù)的準確性[17]。該方法由于操作簡單、設備便宜、無輻射而廣泛使用。然而軟組織穿刺法存在較多局限性：（1）無法獲得足夠數(shù)量的尸體樣本；（2）尸體易受到死后防腐劑、組織脫水、肌肉松弛變化的影響而使測量的結果與實際存在差異；（3）測量過程中會使組織移位和變形，繼而造成測量誤差。

2.2 X線片測量

1931年，BROADBENT最先開始使用X線片進行顱面部側貌的軟組織測量分析，1943年THOMPSON使用X線進行顱面部正位的軟組織測量分析[18]。GILL等[19]基于X線片對美國白人和印第安人的面部軟組織厚度進行測量，探討不同種族的FSTT差別。HAMID等[20]通過X線片在活體上對唇部形態(tài)進行研究。該方法成功規(guī)避了尸體組織脫水變形的影響，但存在的主要問題在于：（1）僅可獲得二維數(shù)據(jù)而無法獲得三維立體影像數(shù)據(jù)；（2）數(shù)據(jù)準確性受到投射角度的影響，距離球管近的組織圖像被放大，因此應嚴格確定受試者的體位和投射角度；（3）具有一定的輻射性，拍攝過程中會出現(xiàn)偽影。

2.3 超聲影像測量

超聲最初運用于生物學領域，如對家畜的脂肪厚度進行測量，緊接著被用于人類的軟組織測量[21]。目前臨床上使用的M型和多普勒超聲檢測儀均可用于FSTT的測量[22]。HELMER首次用這種方法獲得了德國人的FSTT數(shù)據(jù)[15]。1985年，HODSON等[23]對美國4～14歲的白人兒童用B型超聲對面部20個解剖位點的軟組織厚度進行測量和比較，并認為超聲對于活體軟組織測量是最精確的方法。在我國，依偉力等[24]也曾用超聲對18～60歲不同年齡組的82位漢族人群進行軟組織測量并獲得了FSTT數(shù)據(jù)。相對于放射學檢查，超聲具有無輻射的優(yōu)點，但也存在一些缺點：（1）在接觸式超聲檢查的過程中，會對軟組織造成壓迫，而在非接觸式檢查時，由于被檢查者處于仰臥位而受到重力因素影響軟組織形態(tài)；（2）如果未將檢測頭與組織完全垂直會造成該標志點的FSTT被夸大；（3）技術敏感性高，所得的反射峰或復雜的圖像需要操作者具有較豐富的專業(yè)知識才可以被解讀[25]。

2.4 計算機體層成像

計算機體層成像（computed tomography，CT）的基本原理與X線片類似，是在其基礎上結合了計算機數(shù)據(jù)采集與處理、圖像重建與顯示，較X線片有更高的密度分辨率。RHINE等[26]首次將這項技術用于FSTT的測量，隨后PHILLIPS等[27]通過對32個活體的CT掃描數(shù)據(jù)進行分析，確認CT較針刺法更加精確，他們還比較了南非混血黑人與美國白人間的軟組織厚度差異。CT被廣泛應用于軟組織厚度影響因素（如種族、年齡、性別等）的研究[28-29]。但由于設備昂貴，易受到重力因素的影響，且由于牙齒上的金屬填充物所致的偽影以及較高的輻射量等問題依然存在，影響CT在FSTT測量中的應用。與傳統(tǒng)CT不同，錐形束CT（cone beam CT，CBCT）是使用錐形束射線圍繞目標區(qū)域進行旋轉掃描獲得物體在每個投射角度的投影數(shù)據(jù)，通過計算機技術分析重組數(shù)據(jù)，以獲得高空間分辨率三維圖像的一種方法，該技術主要在口腔醫(yī)學領域廣泛使用[30]。FOURIE等[31]運用CBCT對荷蘭人FSTT進行測量，研究結果證明，CBCT進行面部軟組織測量是可靠的，較之前的測量方法有更高的精確性。CBCT近年來被應用于南非人、韓國人、哥倫比亞人等多個種族的軟組織形態(tài)學研究[32-34]。與傳統(tǒng)CT相比，CBCT測量FSTT具有以下優(yōu)勢：（1）更小的輻射量；（2）更高的密度分辨率；（3）拍攝時間比較短，避免了由于受試者的移動和面部表情的變化對結果的影響；（4）在站立位進行測量，避免了重力因素對軟組織的影響[35]。

2.5 磁共振成像

磁共振成像（magnetic resonance imaging，MRI）與CT一同被認為是可以精確進行FSTT測量的方法。DE GREEF等[36]認為，通過MRI進行面部軟組織測量具有可重復性和較高的準確性。SIPAHIO?LU等[37]收集了161例18～78歲土耳其人的頭部MRI，并對樣本的面中線處標志點進行測量，發(fā)現(xiàn)女性的軟組織較男性薄，并且隨著BMI的升高，軟組織逐漸增厚。CHEN等[38]對來自漢族的233名男性和192名女性進行MRI檢查、分析后發(fā)現(xiàn)，不同性別和年齡的人群面部解剖標志點的軟組織厚度存在差異。目前，磁場強度可由原先的3T達到7T，使圖像分辨率由1mm提升至0.5 mm[39]。MRI不產(chǎn)生電離輻射且不存在拍攝者的技術敏感差異，但是檢查的費用較高。由于其只能采取仰臥位，重力因素會影響軟組織形態(tài)。

2.6 放射影像結合光學掃描儀進行測量

這種方法是放射影像學技術（如CT和MRI）結合光學掃描儀獲得人體的軟組織表面情況，并借助計算機數(shù)據(jù)分析各個標志點的軟組織厚度。需要對兩種方法的測量影像進行匹配，使測量的各個標志點吻合。2009年，PRIEELS等[40]將低密度CT與靜態(tài)全息攝影相結合，用不易受重力影響、較穩(wěn)定的鼻梁和前額部區(qū)域進行迭代最近點配準。KUSTAR等[41]對匈牙利的400例患者進行CT檢查和3D面部掃描，使用迭代最近點算法進行配準，應用幾何形態(tài)測量學（geometric morphometric，GMM）進行三維資料分析建立更大的軟組織厚度數(shù)據(jù)庫，發(fā)現(xiàn)當采用鼻子和前額部配準時效果最好，年齡和BMI會對配準的結果造成影響。CHU等[42]通過結合CBCT以及3dMD攝像技術對來自漢族的120名男性和120名女性的鼻部軟硬組織進行測量，并建立回歸方程對軟組織進行預測，結果顯示，超過70%的軟組織預測誤差在10%以下，將CBCT影像與三維軟組織面相配準為顱面復原研究提供了新的思路和手段。綜上所述，這種結合三維軟、硬組織資料并且運用計算機算法分析建立多參數(shù)模型方法的提出，使軟組織測量更加數(shù)字化，特異性更高，是未來發(fā)展的主要趨勢和方向。

3 軟組織測量的常用標志點

軟組織厚度的測量需要通過顱骨上的特定解剖位點實現(xiàn)。這些位點一般位于顱面部組織器官最凸或最凹處、組織器官的邊緣處等，以方便描述面部軟組織情況。然而不同的研究者選擇的標志點可能存在差異，主要表現(xiàn)在：（1）同一個測量標志點有不同的名稱，如顴弓最寬點，F(xiàn)OURIE等[43]稱之為顴弓側點，RHINE等[44]稱之為顴點；（2）多個不同的測量標志點被用來描述同一個解剖區(qū)域的FSTT，如有3個標志點（眶下緣與眼眶正中平面交點[45]、眶下緣與瞳孔中心垂線的交點[46]、眶下緣的最低點）用于描述眶下緣區(qū)域；（3）一個標志點在不同研究中有不同的定義和測量方法。這些差異使得方法的可靠性、各研究之間的可比性受到影響。STEPHAN等[15]對各種已公開發(fā)表的文章進行統(tǒng)計，總結了25個最為常用的頭顱部標志點，這些標志點是公認的顱面軟組織測量標志點。對于一定解剖位點FSTT的測量方法存在差異這一問題，HWANG等[34]認為，垂直于骨面進行FSTT測量較垂直于軟組織或是直接測量骨組織解剖位點與其相應的軟組織標志點之間的距離具有更高的精度。

4 顱面部軟組織形態(tài)影響因素

為了更精確地進行顱面重建，需要有精確的FSTT數(shù)據(jù)。從19世紀起便有人提出，顱面部軟組織厚度在種族、年齡、性別和營養(yǎng)狀況間存在差異，但也有學者指出這些差異中有些是可以被忽略不計的。

4.1 種族差異

由于遺傳因素和生活習慣的不同，不同種族面部形態(tài)存在著較大的差異，研究[19，26]結果表明，不同種族之間的軟組織厚度在鼻部、面頰上部、頦部和顳下頜關節(jié)區(qū)域等差異較大。CHAN等[47]對18～87歲的101名居住于紐約的美籍華人的19個面部標志點進行測量，并將美籍華人與美國人、其他亞洲人數(shù)據(jù)進行對比，發(fā)現(xiàn)美籍華人面部軟組織最薄。與此同時，STEPHAN等[15]認為，不同種族之間的數(shù)據(jù)差異很有可能是由于不同的測量技術引起的，這提示比較不同種族之間軟組織厚度差異應該使用相近的測量方法。除了種族以外，有學者認為，同一種族不同地區(qū)的FSTT同樣存在差異[27，35]。

4.2 性別與年齡差異

性別與年齡同樣是FSTT的重要影響因素，多項研究[12，38，46]認為，男性和女性在面部中線區(qū)域的多個標志點軟組織厚度并無明顯差異，面下部的差異較面中上部的差異較大，對于性別差異沒有統(tǒng)計學意義的位點可以在研究FSTT時不考慮。對于不同年齡段人群，一些區(qū)域的軟組織厚度隨著年齡的增長而變厚，相反一些區(qū)域隨著年齡增長而變薄，也有學者[48-49]認為，年齡與軟組織厚度的相關性不大。DE GREEF等[36]對967名18～91歲的比利時成年人的面部軟組織進行測量分析發(fā)現(xiàn)，軟組織厚度與年齡的相關性非常小，該研究選取較大的年齡差值研究年齡對FSTT的影響，通過對相差50歲的個體FSTT進行測量，不同區(qū)域的軟組織厚度差異不超過1mm。

4.3 BMI差異

不同的營養(yǎng)狀況會影響面部脂肪的分布從而直接影響面部軟組織的厚度[32，35，48]。DE GREEF 等[36]對高加索人的測量分析發(fā)現(xiàn)，同一年齡組的人群每個標志點的FSTT平均值隨著BMI的增加而增加。但是仍有學者[27]認為，BMI的結果來源于體質(zhì)量和身高這些全身性指標，無法客觀地反映面部的脂肪分布情況，提出用身體脂肪百分比（body fat percentage，BFP）反映面部軟組織厚度，以增加顱面復原的準確性。

除了上述影響因素外，CHU等[50]的研究結果表明，不同的矢狀向和垂直向骨面型也會影響FSTT，尤其與面下三分之一區(qū)域（如上唇和頦孔區(qū)）軟組織相關性較高，建議顱面復原時應當考慮骨面型差異?？紤]到諸多的影響因素，許多學者主張采用多元線性回歸（multiple linear regression，MLR）方程綜合評價各因素對FSTT的影響[28，48]。以上研究均為顱面復原提供了思路，在一定程度上增加了顱面復原的特異性與準確性。

5 不同測量及重建方法的準確性分析

顱面復原的結果直接影響法醫(yī)學鑒定意見，因此顱面復原方法的可靠性和結果的準確性評估就顯得尤為重要。

5.1 不同測量方法的可靠性分析

1883—2018年公開發(fā)表的90篇關于FSTT的文章中，僅有42%的研究提到測量誤差，近5年來，涉及誤差分析的研究逐漸增多[22]。測量技術誤差（technical error of measurement，TEM）與相對測量技術誤差（relative technical error of measurement，rTEM）被廣泛應用于測量誤差的檢驗，其中TEM＜2 mm或者rTEM＜5%被認為是可靠的[22，51]。對于軟組織穿刺法，同一實驗人員不同時間測量的rTEM為3%～32%，TEM為0.2～3.0mm[52]，而不同實驗人員間的rTEM為4%～52%，TEM為0.3～6.4 mm。在X線片得到的數(shù)據(jù)中，rTEM范圍為1.1%～8.6%。而對于CT測量所得的結果進行分析，實驗人員組內(nèi)檢驗的rTEM為0.15%～1.92%，而組間檢驗的rTEM為0.17%～3.91%。對于超聲影像測量所獲得的FSTT而言，同一實驗人員不同時間測量的rTEM為3%～15%，TEM為0.1～1.9 mm；不同實驗人員之間的rTEM為6%～45%，TEM為0.4～5.6mm[53]。

5.2 顱面復原效果評估

評價顱面復原效果的評估方法可分為定性和定量2種類型。在早期階段，研究者通過將死者的照片與復原的面部進行比較來確定相似程度。第一個有記錄的評價面部形態(tài)復原精度的研究是VON EGGELING等完成的，他認為復原結果與真人并無相似之處，而GERASIMOV等則認為顱面復原具有較高的精度，他們通過顱面復原得到的結果成功識別出尸體照片[10]。有研究[54]通過分級賦值進行顱面復原精度評價，具體評價方法為：1代表不相似，2代表低度相似，3代表中度相似，4代表高度相似，5代表非常相似。為了更好地定性研究，許多學者通過臉池進行比較，志愿者被要求在臉池中找出與復原面相對應的真人照片。CLAES等[55]在評價顱面復原效果時提出了歐氏距離矩陣（Euclidean distance matrix，EDM）法，通過逐個比較復原軟組織與包含真實軟組織在內(nèi)的軟組織標志點EDM，尋找該目標顱骨的真實身份，發(fā)現(xiàn)基于EDM法正確識別真實軟組織的比例為100%，平均距離誤差為1.14 mm。也有學者通過3D人體計量學軟件將復原面相與相應的人臉進行比較來定量評價顱面復原效果，該方法將2種三維面部模型匹配，從而定量計算兩種模型之間的表面輪廓差異[10，56]。定性和定量評價方法各有優(yōu)缺點，對于計算機輔助手段來說，僅考慮了面部局部區(qū)域的相似程度和面部相似程度的百分比，但忽略了顱面復原是一個多區(qū)域組合的綜合結果。而在臉池中辨認的方法盡管具有較大的主觀性，但從整體的角度對顱面復原結果進行評價常常能夠通過明顯特征成功識別個體身份，將定性與定量方法合理地結合可以更科學地評估不同方法顱面復原的結果。

6 展望

基于統(tǒng)計模型的計算機輔助顱面復原技術有效避免了顱面復原結果與模板類似的情況。研究者們采用主成分分析（principle component analysis，PCA），通過改變各個影響因素的系數(shù)來重建目標。CLAES等[2]首先運用統(tǒng)計模型進行顱面重建，BERAR等[57]和PAYSAN等[58]也相繼使用PCA的方法建立骨組織與軟組織的回歸方程進行顱面重建。此外，張彥飛[7]將人臉分成若干個區(qū)域并基于偏最小二乘法對臉部不同分區(qū)進行復原，再利用光滑拼接算法將面部各區(qū)域拼接起來，其相對誤差為1.50%，較整體復原模型的1.56%提升了0.65%，此方法較整體復原模型的效果更加精確。從顱面復原的歷史進展來看，精確化、數(shù)字化、特異化是未來的發(fā)展趨勢。不同種族、性別、年齡、BMI等因素對軟組織的影響還需要進一步細化，顱面部軟組織厚度數(shù)據(jù)庫還需要進一步完善。

另外值得注意的是，隨著生成式對抗網(wǎng)絡（generative adversarial networks，GAN）為代表的端到端機器學習方法的發(fā)展，為顱面復原技術提供了新的思路。GAN是在2014年由GOODFELLOW等[59]提出的一種生成式深度學習模型，由生成器和判別器組成。生成器的目標是生成盡可能真實的數(shù)據(jù)，判別器的目標是區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)，生成器和判別器兩者相互博弈，直到達到平衡后停止循環(huán)。GAN解決問題的思路是端到端，即從輸入直接到輸出，中間采用神經(jīng)網(wǎng)絡自動學習特征，避免手動特征提取的繁瑣操作，不需要人工干預。目前，GAN在圖像生成、圖像翻譯、文本與圖像的相互生成、視頻預測和風格遷移等領域表現(xiàn)出巨大的應用潛力[60]。GAN由于生成過程過于自由，訓練過程中的穩(wěn)定性和收斂性難以保證，容易發(fā)生模式崩塌，進而出現(xiàn)無法繼續(xù)訓練的情況，且生成樣本缺乏多樣性，容易出現(xiàn)過擬合問題。因此，以GAN為代表的端到端自動顱面復原技術還需要進一步探索。

顱面復原辨識效果還易受到頭發(fā)、胡須等因素的影響，對于未知顱骨上沒有殘余頭發(fā)的顱面復原，研究者[61]認為，恢復頭發(fā)會提高復原面型的辨識率，隨著人類對DNA的深入研究，該弊端有望得到解決。近10年，DNA測序技術發(fā)展迅猛，基因關聯(lián)研究包括單核苷酸多態(tài)性（single nucleotide polymorphism，SNP）基因關聯(lián)研究、全基因關聯(lián)研究（genome-wide association studies，GWAS）和基因連鎖分析可以為已知DNA信息的個體提供面部細節(jié)特征線索[62]，為顱面復原提供更多的面部信息，提高顱面復原的準確性。