AutoFFS: Adversarial Deformations for Facial Feminization Surgery Planning

L'article présente AutoFFS, un cadre novateur basé sur les données qui utilise des déformations adverses pour générer des morphologies crâniennes contrefactuelles et quantifier ainsi la planification chirurgicale de la féminisation faciale.

L'essentiel

🦴 AutoFFS : Le "Filtre de Réalité" pour la Chirurgie de Transformation

Imaginez que vous êtes un sculpteur. Votre tâche est de transformer une statue de pierre brute (un crâne masculin) en une œuvre plus douce et élégante (un crâne féminin), sans jamais avoir vu le modèle final. C'est exactement le défi que rencontrent les chirurgiens lors des chirurgies de féminisation faciale (FFS).

Actuellement, ces chirurgiens doivent se fier à leur expérience et à leur intuition pour décider combien de millimètres tailler ici ou là. C'est un peu comme essayer de deviner le goût d'un plat sans jamais l'avoir goûté.

Les chercheurs de l'Université de Bâle ont créé AutoFFS, un outil numérique qui agit comme un "simulateur de transformation" pour aider les chirurgiens à voir le futur avant même de prendre le scalpel.

1. Le Problème : Deviner l'avenir

La chirurgie de féminisation vise à remodeler les os du visage (le front, le menton, les pommettes) pour qu'ils ressemblent davantage à ceux d'une femme. Mais chaque visage est unique. Comment savoir exactement où tailler l'os pour que le résultat soit naturel et harmonieux ? Jusqu'ici, c'était un jeu de devinettes basé sur l'expérience.

2. La Solution : Un "Miroir Magique" basé sur l'IA

L'équipe a développé un système intelligent qui répond à une question simple : "À quoi ressemblerait ce crâne s'il était de l'autre sexe ?"

Pour y parvenir, ils utilisent une astuce d'intelligence artificielle appelée attaque adversaire. Voici l'analogie pour comprendre :

• Les "Juges" (Les Classificateurs) : Imaginez un jury de 8 experts (des réseaux de neurones) qui sont très forts pour dire si un visage est masculin ou féminin. Ils ont étudié des milliers de crânes et connaissent parfaitement les différences (un front plus lourd, un menton plus carré, etc.).
• Le "Sculpteur Numérique" (L'Algorithme) : Au lieu de modifier les images pour tromper les juges (comme le font souvent les IA pour créer des fausses images), ici, l'IA modifie le crâne lui-même.
• Le Jeu : L'IA prend un crâne masculin et demande aux juges : "Est-ce une femme ?". Les juges disent : "Non". L'IA dit : "D'accord, je vais bouger les os un tout petit peu". Elle recommence, encore et encore, jusqu'à ce que les juges disent : "Oui, c'est une femme !".

Le résultat ? Le crâne a été déformé numériquement pour ressembler à une femme, mais de manière réaliste et anatomique.

3. Comment ça marche sans tout casser ? (La Métaphore du Gelée)

Si l'IA bougeait les os n'importe comment, le crâne ressemblerait à un monstre de science-fiction ou à de la boue. Pour éviter cela, les chercheurs ont ajouté deux règles de sécurité :

1. La grille de contrôle (B-splines) : Imaginez le crâne enveloppé dans une grille de fil de fer flexible. L'IA ne touche pas chaque atome, elle ne déplace que les points de la grille. Cela garantit que les mouvements sont fluides et logiques.
2. La régularisation (La loi de la physique) : C'est comme si le crâne était fait de gelée. Vous pouvez le pousser, mais il ne peut pas se plier de manière impossible ou se déchirer. Cela force l'IA à créer des transformations qui respectent la biologie humaine.

4. Les Résultats : Ça marche vraiment ?

Les chercheurs ont testé leur système de deux façons :

• Le test des machines : Ils ont pris des crânes de test, les ont transformés, et les ont montrés à d'autres "juges" (des IA que le système n'avait jamais vues). Résultat : les nouvelles IA ont reconnu les crânes transformés comme étant du sexe cible dans la grande majorité des cas.
• Le test des humains : Ils ont montré des images à 11 personnes (des humains, pas des robots).
  • Pour les crânes réels, les humains ont reconnu le sexe correctement 81 % du temps.
  • Pour les crânes transformés par l'IA, les humains ont reconnu le nouveau sexe (celui visé par la chirurgie) dans 63 % des cas.

C'est énorme ! Cela signifie que l'IA a réussi à déplacer les traits du visage (comme le menton ou le front) de manière suffisamment convaincante pour tromper l'œil humain, même si elle n'a touché qu'à la partie avant du visage.

🎯 En résumé

AutoFFS est comme un GPS pour la chirurgie.
Au lieu de dire au chirurgien : "Coupez 2 mm ici", il lui montre une image de ce à quoi ressemblera le visage après l'opération. Cela permet de passer d'une chirurgie basée sur l'intuition à une chirurgie basée sur des données précises et reproductibles.

C'est une première étape vers une médecine plus personnalisée et plus sûre pour les personnes transgenres, leur offrant une meilleure qualité de vie grâce à une planification chirurgicale beaucoup plus fiable.

Résumé technique

1. Problématique

La chirurgie de féminisation faciale (FFS) est une procédure cruciale pour l'affirmation de genre chez les patients transgenres et de genre divers. Elle vise à remodeler les structures cranio-faciales pour les rapprocher d'une morphologie féminine. Cependant, la planification chirurgicale actuelle repose largement sur une évaluation clinique subjective et l'expérience du chirurgien, manquant d'outils quantitatifs et reproductibles pour guider les modifications anatomiques.

Les défis majeurs incluent :

• La difficulté de sélectionner les procédures appropriées pour l'anatomie unique de chaque patient.
• L'absence de méthodes automatisées tenant compte des interdépendances morphologiques globales de l'ensemble du crâne.
• Le manque de données objectives pour prédire le résultat post-opératoire idéal.

2. Méthodologie : AutoFFS

Les auteurs proposent AutoFFS, un cadre de travail novateur basé sur les données qui génère des morphologies de crânes "contrefactuelles" (c'est-à-dire : "à quoi ressemblerait ce crâne s'il avait le sexe opposé ?").

A. Formulation du problème

L'objectif est de trouver un champ de déformation conditionnel $\Phi_{y_{target}}$ qui transforme un crâne d'entrée $X$ en un crâne déformé $X'$ présentant les caractéristiques du sexe cible $y_{target}$ (0 pour mâle, 1 pour femelle).
$$X' = X \circ \Phi_{y_{target}}$$

B. Attaque Adversaire Ciblée par Déformation

Au lieu d'ajouter du bruit pixel par pixel (comme dans les attaques adversaires classiques), la méthode applique une déformation libre (Free-Form Deformation - FFD) basée sur des B-splines cubiques 3D.

• Principe : On optimise le champ de déformation pour tromper un ensemble (ensemble) de classificateurs binaires de sexe pré-entraînés, les forçant à prédire le sexe cible.
• Ensemble de classificateurs : Un ensemble de plusieurs réseaux de neurones (architectures ResNet et SE-ResNet) est entraîné pour la classification du sexe. L'utilisation d'un ensemble rend l'attaque plus robuste, car il est plus difficile de tromper simultanément plusieurs modèles ayant appris des représentations de caractéristiques différentes.
• Optimisation : Le processus est formulé comme un problème d'optimisation où l'on minimise une fonction de perte spécifique (basée sur le log-sum-exp pour approximer le pire des cas dans l'ensemble) tout en gelant les poids des classificateurs et en ajustant uniquement les décalages des points de contrôle de la grille de déformation.

C. Régularisation et Contraintes Physiques

Pour éviter des déformations irréalistes ou non lisses, deux termes de régularisation sont ajoutés à la fonction de perte :

1. Régularisation de lissage (Smoothness) : Pénalise le jacobien du champ de déplacement pour assurer la continuité.
2. Énergie de flexion (Bending Energy) : Pénalise les variations rapides du champ de déplacement (basé sur le Hessien), favorisant des transformations physiquement plausibles.
3. Contrainte anatomique : Seule la moitié antérieure du volume (les traits du visage) est autorisée à se déformer ; la moitié postérieure est figée pour préserver la structure globale du crâne.

D. Algorithme

L'algorithme itère sur les décalages des points de contrôle (initialisés à zéro) en utilisant l'algorithme Adam avec un taux d'apprentissage à refroidissement (cosine annealing). À chaque étape, le crâne est déformé, passé dans l'ensemble de classificateurs (y compris sur une version miroir pour assurer la symétrie), et les gradients sont rétropropagés pour mettre à jour les déformations.

3. Contributions Clés

• Premier cadre de planification de FFS basé sur l'attaque adversaire : Introduction d'une méthode générative qui répond à la question contrefactuelle du changement de sexe morphologique.
• Approche globale : Contrairement aux méthodes précédentes se concentrant sur des régions isolées (comme la mâchoire), AutoFFS considère les interdépendances morphologiques de l'ensemble du crâne.
• Robustesse par l'ensemble (Ensembling) : Démonstration que l'utilisation de multiples classificateurs améliore la cohérence et la fiabilité des transformations générées.
• Génération de morphologies réalistes : Utilisation de B-splines et de régularisations pour garantir que les modifications sont chirurgicalement plausibles et lisses.

4. Résultats et Validation

Données et Entraînement

• Jeu de données : 444 IRM de patients atteints de sclérose en plaques (152 hommes, 292 femmes). Les lésions étant cérébrales, la morphologie osseuse crânienne est intacte, servant de substitut valide.
• Performance des classificateurs : Les modèles (ResNet, SE-ResNet) atteignent une précision supérieure à 0,92 et un AUROC > 0,96 sur le jeu de test.

Évaluation Quantitative

• Probabilités de classe : Après transformation, les crânes déformés sont classés avec la bonne étiquette de sexe par les classificateurs de réserve (hold-out) avec une forte probabilité (moyenne de 0,758 pour la féminisation, 0,365 pour la masculinisation, indiquant un changement significatif).
• Impact de l'ensemble : L'utilisation de l'ensemble de classificateurs améliore nettement la cohérence des résultats par rapport à l'utilisation d'un seul modèle.

Évaluation Qualitative et Humaine

• Visualisation : Les déformations les plus importantes apparaissent dans les zones de dimorphisme sexuel connues : menton, arcades sourcilières, front et pommettes.
• Étude de perception (N=11) :
  • Les raters ont identifié le sexe des crânes réels avec ~81% de précision.
  • Pour les crânes transformés, les raters ont perçu le sexe cible dans ~63% des cas (significativement supérieur au hasard), démontrant un changement perceptuel systématique.
  • Les métriques d'accord inter-raters sont plus faibles pour les crânes transformés, ce qui suggère une ambiguïté perceptive accrue, cohérente avec une modification partielle des traits.

5. Signification et Perspectives

• Impact Clinique : AutoFFS offre aux chirurgiens une aide objective et quantitative pour la planification préopératoire, réduisant la dépendance à l'intuition subjective.
• Potentiel d'extension : Bien que focalisé sur la FFS, la méthode est applicable à la chirurgie de masculinisation faciale (FMS).
• Travaux futurs : Les auteurs prévoient de créer une base de données plus large et diversifiée (ethnies, âges) et d'intégrer ces morphologies générées dans des flux de travail cliniques pour la création automatique de guides de coupe chirurgicaux.

En résumé, AutoFFS représente une avancée significative en combinant l'apprentissage profond, les attaques adversaires et la modélisation géométrique pour résoudre un problème clinique complexe, ouvrant la voie à une planification chirurgicale plus précise et personnalisée pour les patients transgenres.