Δύο Γεωμετρικές Μέθοδοι Αποπροσωποποίησης για Εξετάσεις CBCT
Εισαγωγή
Τα τελευταία χρόνια, με την εκπαίδευση μοντέλων AI για κατάτμηση (segmentation), σχέδιο θεραπείας εμφυτευμάτων (implant planning), αυτοματοποιημένη διάγνωση (automated diagnostics) κ.α, η ανταλλαγή μεγάλων CBCT datasets γίνεται ολοένα και πιο σημαντική φέρνοντας στο προσκήνιο το ζήτημα της συμμόρφωσης στους κανόνες της προστασίας των ευαίσθητων βιομετρικών προσωπικών δεδομένων (GDPR / European General Data Protection Regulation)[1].
Επειδή η απλή Aνωνυμοποίηση (Ψευδωνυμοποίηση) των απεικονιστικών εξετάσεων δεν παρέχει την απαιτούμενη προστασία, έχουν αναπτυχθεί διάφορες μέθοδοι αφαίρεσης των χαρακτηριστικών του προσώπου (Defacing). Αυτή η διαδικασία σε τρισδιάστατες απεικονίσεις CBCT αποτελεί σημαντικό μέτρο αποπροσωποποίησης που μπορεί να συμβάλει ουσιαστικά στη συμμόρφωση με τον GDPR όταν η εξωτερική μορφολογία του προσώπου μπορεί να οδηγήσει σε ταυτοποίηση.
Σήμερα, υπάρχει μια υστέρηση στην ανάπτυξη αποτελεσματικών αλγορίθμων Defacing στις εξετάσεις CBCT, σε σχέση με την κλασική CT/MSCT και την MRI. Αυτό οφείλεται σε εγγενή προβλήματα στην ποιότητα της εικόνας και στη δομή των ανατομικών περιοχών εφαρμογής της CBCT, ενώ οι τεχνικές μετατροπής σε CT (synthetic CT) συχνά αποτυγχάνουν να δώσουν λύση, καθώς έχουν σχεδιαστεί για διαφορετικό σκοπό[2-6].
Το βασικό τεχνικό ερώτημα είναι πώς μπορεί να αφαιρεθεί η αναγνωρίσιμη εξωτερική μορφολογία του προσώπου, διατηρώντας ταυτόχρονα αναλλοίωτη όλη την εσωτερική ανατομική πληροφορία που απαιτείται για εμφυτευματολογικό σχεδιασμό, ανάπτυξη αλγορίθμων AI ή ερευνητική χρήση.
Και ενόσω το ΑΙ Defacing βελτιώνεται, μπορούμε να χρησιμοποιούμε πρακτικές και γρήγορες ημι-αυτόματες (semi-automatic) ή χειροκίνητες (manual) λύσεις με τον ίδιο σκοπό;
Η απάντηση είναι ναι διότι τα περισσότερα λογισμικά επεξεργασίας DICOM/3D διαθέτουν «έξυπνα» γεωμετρικά εργαλεία τα οποία μπορούν να χρησιμοποιηθούν. Στην παρούσα παρουσίαση προτείνονται δύο geometry-based methods αποπροσωποποίησης για CBCT, οι οποίες αξιοποιούν αποκλειστικά γεωμετρικά εργαλεία ανοικτού λογισμικού και δεν απαιτούν αναγνώριση ιστών (tissue classification), κατάτμηση δέρματος (skin segmentation), εξαγωγή βάσει κατωφλίου (threshold-based extraction) ή αλγόριθμους τεχνητής νοημοσύνης.
Οι μέθοδοι μπορούν να εφαρμοστούν σε ανοικτές πλατφόρμες σχεδιασμού βασισμένες στο 3D Slicer, όπως το Slicer-Free Surgical Planner (Slicer-FSP)[7-10].
Α. Ημι-αυτόματη μέθοδος: Αποπροσωποποίηση με καμπύλη (Curve-based Defacing Method)
Περιγραφή Διαδικασίας
Σχεδίαση ανοικτής καμπύλης στο οβελιαίο επίπεδο του αρχικού όγκου (Original Volume), η οποία καθορίζει το όριο της κοπής για την αφαίρεση των προσθιέστερα κείμενων χαρακτηριστικών (βλέφαρα, μύτη, χείλη), χωρίς να επηρεάζονται οι εσωτερικές δομές των ανατομικών μορίων ενδιαφέροντος (οστά γνάθων, δόντια, βλεννογόνοι, νεύρα),
Με την εφαρμογή του αλγορίθμου, αφαιρούνται οι προσθιέστεροι ιστοί και δημιουργείται ο νέος αποπροσωποποιημένος όγκος (Defaced Volume), ο οποίος μπορεί να χρησιμοποιηθεί άμεσα για σχεδιασμό, ενώ ταυτόχρονα τα DICOM αρχεία του αποθηκεύονται στον δίσκο για ενδεχόμενη τρίτη χρήση.
Περιγραφή αλγορίθμου
Διαβάζει την ανοικτή καμπύλη (Open Curve).
Μετατρέπει την καμπύλη σε συντεταγμένες RAS.
Για κάθε επίπεδο Ζ βρίσκει το πλησιέστερο σημείο της καμπύλης.
Χρησιμοποιεί την καμπύλη ως δυναμικό όριο.
Επαναπροσδιορίζει όλα τα voxels που βρίσκονται πρόσθια της καμπύλης στην τιμή του background (αέρα).
Σύνοψη
Εισαγωγή εξέτασης CBCT.
Σχεδίαση ανοικτής καμπύλης στο οβελιαίο επίπεδο.
Προβολή της καμπύλης σε όλη την εξέταση.
Αφαίρεση των voxels έμπροσθεν της καμπύλης.
Διατήρηση εσωτερικής ανατομίας.
Εξαγωγή αποπροσωποποιημένου DICOM dataset.
Βασική αρχή λειτουργίας
Η ανοικτή καμπύλη δεν αποτελεί απλώς μία spline σχεδίασης. Ορίζει μία δυναμική τρισδιάστατη επιφάνεια αποκοπής (dynamic curved clipping surface), η οποία χρησιμοποιείται ως καθαρά γεωμετρικό όριο μεταξύ των διατηρούμενων και των αφαιρούμενων voxels.
Β. Χειροκίνητη μέθοδος: Αποπροσωποποίηση με κέλυφος (Shell-based Defacing Method)
Περιγραφή Διαδικασίας
Δημιουργία νέου segment και χρησιμοποιώντας το εργαλείο Surface Cut, οριοθέτηση της κεφαλής του ασθενούς με points στο εγκάρσιο, το στεφανιαίο και το οβελιαίο επίπεδο με αποτέλεσμα ένα άμορφο και ‘συμπαγές’ segment, που περιέχει όλη την ανατομία της CBCT.
Εφαρμογή του εργαλείου Hollow (Outside 3–5 mm) με σκοπό την δημιουργία ενός λεπτού κελύφους. Αν χρειαστεί χρησιμοποίηση και του εργαλείου Margin (Grow 2–3 mm), ώστε να εξασφαλιστεί η κάλυψη όλου του προσώπου.
Εφαρμογή του εργαλείου Mask Volume με αποτέλεσμα την δημιουργία του νέου αποπροσωποποιημένου όγκος (Defaced Volume), ο οποίος παριστά ό,τι απομένει μετά την υπερκάλυψη του αρχικού όγκου (Original Volume) από το κέλυφος.
Τα DICOM αρχεία του Defaced εξάγονται στον δίσκο για ενδεχόμενη τρίτη χρήση.
Σύνοψη
Import Original CBCT │ Surface Cut │ Closed Segment │ Hollow │ Grow Margin │ Shell │ Mask Volume │ Defaced CBCT │ Export Defaced DICOMs
Βασική αρχή λειτουργίας
Σε αντίθεση με τις μεθόδους παραμόρφωσης που βασίζονται σε κατώφλι (threshold) ή τεχνητή νοημοσύνη, η προτεινόμενη ροή εργασίας που βασίζεται στο κέλυφος δεν απαιτεί κατάτμηση (segmentation) δέρματος ή ταξινόμηση ιστών. Αντίθετα, βασιζόμενη αποκλειστικά στην γεωμετρική κατασκευή της επιφάνειας, είναι σε μεγάλο βαθμό ανεξάρτητη από μεταλλικά artifacts, επειδή δεν βασίζεται στις τιμές έντασης των voxels.
Η μέθοδος δεν επιχειρεί να εντοπίσει ή να αναγνωρίσει το δέρμα ή τα χαρακτηριστικά του προσώπου. Αντίθετα, δημιουργεί ένα νέο εξωτερικό γεωμετρικό περίβλημα το οποίο υπερκαλύπτει επιλεκτικά την αρχική μορφολογία του προσώπου, χωρίς να τροποποιεί τις εσωτερικές ανατομικές δομές.
Αρχή της Γεωμετρικής Αποπροσωποποίησης (Geometry-based Defacing Principle )
Οι δύο προτεινόμενες μέθοδοι βασίζονται στην ίδια θεμελιώδη αρχή: αντί να επιχειρούν την αναγνώριση του δέρματος ή των χαρακτηριστικών του προσώπου, μετασχηματίζουν απευθείας την εξωτερική γεωμετρία του όγκου. Έτσι επιτυγχάνεται αποπροσωποποίηση χωρίς προηγούμενη κατάτμηση, διατηρώντας αναλλοίωτη την εσωτερική ανατομία και καθιστώντας τις μεθόδους σε μεγάλο βαθμό ανεξάρτητες από τις τιμές έντασης των voxels, τον θόρυβο της εικόνας και τα μεταλλικά artifacts.
ΣΥΓΚΡΙΤΙΚΟΣ ΠΙΝΑΚΑΣ
| Χαρακτηριστικό Μεθόδου | Μέθοδος Α: Curve-based | Μέθοδος Β: Shell-based |
|---|---|---|
| Ημι-αυτόματη | ✔ | ✖ |
| Χειροκίνητη | ✖ | ✔ |
| Χρόνος επεξεργασίας | ~1 min | ~4 min |
| Αφαίρεση πρόσθιας επιφάνειας προσώπου | ✔ | ✔ |
| Αντικατάσταση πρόσθιας επιφάνειας προσώπου | ✖ | ✔ |
| Διατήρηση εσωτερικής ανατομίας | ✔ | ✔ |
| Εξάρτηση από κατώφλι (threshold) | ✖ | ✖ |
| Εξάρτηση από τιμές του γκρι | ✖ | ✖ |
| Εξάρτηση από ταξινόμηση ιστών | ✖ | ✖ |
| Εξάρτηση από τεχνητή νοημοσύνη | ✖ | ✖ |
| Εξάρτηση από μεταλλικά artifacts | ✖ | ✖ |
| Υποστηρίζεται από ανοικτές πλατφόρμες | ✔ | ✔ |
| Βασική αρχή | Γεωμετρική αφαίρεση | Γεωμετρική αντικατάσταση |
Συμπέρασμα
Οι προτεινόμενες μέθοδοι δείχνουν ότι η αποπροσωποποίηση εξετάσεων CBCT μπορεί να επιτευχθεί αποτελεσματικά με γεωμετρικά εργαλεία ανοικτού λογισμικού, χωρίς εξάρτηση από ιδιόκτητους αλγορίθμους ή υπηρεσίες τεχνητής νοημοσύνης. Η προσέγγιση αυτή ενισχύει τη διαφάνεια, την αναπαραγωγιμότητα και τον έλεγχο της επεξεργασίας των ιατρικών δεδομένων, στοιχεία που αποτελούν βασικούς άξονες της Ψηφιακής Κυριαρχίας στην ψηφιακή οδοντιατρική.
Two Geometry-based Defacing Methods for CBCT
Introduction
The increasing use of artificial intelligence (AI) for image segmentation, implant treatment planning, automated diagnostics, and other applications has significantly increased the need for sharing large CBCT datasets. Consequently, compliance with regulations governing the protection of sensitive biometric data, including the European General Data Protection Regulation (GDPR)[1], has become an increasingly important issue.
Conventional anonymization (pseudonymization) of DICOM metadata alone does not sufficiently protect patient identity, since the facial morphology reconstructed from CBCT data may still enable personal identification. Facial de-identification (defacing) has therefore emerged as an important complementary strategy for protecting patient privacy in volumetric imaging.
Compared with conventional CT and MRI, however, effective defacing methods for CBCT remain limited. This is mainly due to the intrinsic characteristics of CBCT imaging, including increased noise, lower soft-tissue contrast, beam-hardening artifacts, and the absence of reliable skin segmentation. Although synthetic CT approaches have been proposed, they were developed for different clinical purposes and generally do not address CBCT facial de-identification[2-6].
The main technical challenge is therefore straightforward:
How can facial morphology be removed while preserving the complete internal anatomy required for implant planning, AI development, or research?
While AI-based defacing algorithms continue to evolve, practical geometry-based alternatives can already provide efficient solutions.
This presentation introduces two geometry-based defacing workflows for CBCT that rely exclusively on open-source geometric tools. Neither method requires tissue classification, skin segmentation, threshold-based extraction, nor artificial intelligence.
Both workflows can be implemented using open platforms based on 3D Slicer, such as the Slicer-Free Surgical Planner (Slicer-FSP)[7-10].
Method A
Curve-based Geometric Defacing
Workflow
An open curve is manually drawn on the sagittal view of the original CBCT volume. This curve defines the cutting boundary separating the facial soft tissues to be removed from the anatomical structures that must be preserved, including the jaws, teeth, mucosa, mandibular canal, and other clinically relevant structures.
After executing the algorithm, all voxels located anterior to the curve are reassigned to the background (air) value, producing a defaced CBCT volume while leaving the internal anatomy unchanged.
The resulting dataset can immediately be used for implant planning or exported as a new anonymized DICOM series.
Algorithm
- Read the Open Curve.
- Convert curve points into RAS coordinates.
- For each axial slice, identify the closest curve point.
- Use the curve as a dynamic geometric clipping boundary.
- Replace all voxels located anterior to the boundary with background values.
Principle
The open curve is not merely a drawing spline. It defines a dynamic curved clipping surface that acts as a purely geometric separator between preserved and removed voxels.
Method Β
Shell-based Geometric Defacing
Workflow
A new segmentation is created using the Surface Cut tool. The operator manually outlines the patient’s head across the axial, coronal, and sagittal views, generating a closed segment enclosing the entire anatomy.
The Hollow effect (Outside 3–5 mm) is then applied to create a thin shell. If necessary, the shell is expanded using the Margin effect (Grow 2–3 mm) to ensure complete facial coverage.
Finally, the shell is applied through Mask Volume, generating a new defaced CBCT volume.
The resulting DICOM dataset can subsequently be exported for research or clinical planning.
Principle
Unlike threshold-based or AI-based approaches, the proposed workflow does not require skin segmentation or tissue classification.
Instead, it constructs a new geometric outer shell that selectively replaces the external facial morphology while preserving the complete internal anatomy.
Because the method operates exclusively on geometry, it is largely independent of voxel intensity values, image noise, and metallic artifacts.
Geometry-based Defacing Principle
Both workflows rely on the same fundamental concept.
Instead of attempting to identify facial tissues or recognize facial features, they directly transform the external geometry of the CBCT volume.
As a result, facial de-identification is achieved without prior tissue segmentation while preserving the complete internal anatomical information required for clinical or research applications.
This geometry-driven strategy also minimizes dependence on voxel intensity values, threshold selection, image noise, and metallic artifacts.
Comparison
| Feature | Curve-based | Shell-based |
|---|---|---|
| Semi-automatic | ✓ | – |
| Manual | – | ✓ |
| Processing time | ~1 min | ~4 min |
| Removes anterior facial surface | ✓ | ✓ |
| Replaces facial surface | – | ✓ |
| Preserves internal anatomy | ✓ | ✓ |
| Threshold-dependent | No | No |
| Gray-value dependent | No | No |
| Tissue classification required | No | No |
| AI required | No | No |
| Sensitive to metal artifacts | No | No |
| Compatible with open-source platforms | Yes | Yes |
| Core principle | Geometric removal | Geometric replacement |
Conclusion
The proposed geometry-based workflows demonstrate that facial de-identification of CBCT datasets can be achieved efficiently using open-source geometric tools, without relying on proprietary software, tissue segmentation, or artificial intelligence.
Beyond privacy protection, this approach promotes transparency, reproducibility, and full user control over the image-processing pipeline. These characteristics align closely with the principles of Digital Sovereignty, where clinicians and researchers retain complete control over both their data and the computational methods used to process them.
ΒΙΒΛΙΟΓΡΑΦΙΑ / BIBLIOGRAPHY
1. General Data Protection Regulation(GDPR) https://gdpr-info.eu/
2. Thummerer A, van der Bijl E, Galapon AJ, Kamp F, Savenije M, Muijs C, Aluwini S, Steenbakkers RJHM, Beuel S, Intven MP, Langendijk JA, Both S, Corradini S, Rogowski V, Terpstra M, Wahl N, Kurz C, Landry G, Maspero M. SynthRAD2025 Grand Challenge dataset: Generating synthetic CTs for radiotherapy from head to abdomen. Med Phys. 2025 Jul;52(7):e17981. doi: 10.1002/mp.17981. PMID: 40665582; PMCID: PMC12264395.
https://aapm.onlinelibrary.wiley.com/doi/pdf/10.1002/mp.17981
3. Lindholz M, Ruppel R, Schulze-Weddige S, Baumgärtner GL, Schobert I, Panten A, Schmidt R, Auer TA, Nawabi J, Haack AM, Stepansky L, Poggi L, Hosch R, Hamm CA, Penzkofer T. Analyzing the TotalSegmentator for facial feature removal in head CT scans. Radiography (Lond). 2025 Jan;31(1):372-378. doi: 10.1016/j.radi.2024.12.018. Epub 2025 Jan 3. PMID: 39754865.
4. O’Sullivan-Steben K, Galarneau L, Kildea J. Development of a defacing algorithm to protect the privacy of head and neck cancer patients in publicly-accessible radiotherapy datasets. Med Phys. 2025 Dec;52(12):e70160. doi: 10.1002/mp.70160. PMID: 41294282; PMCID: PMC12649283.
5. Ammar A, Zhu L, Bryan S 4th, Yu NY, Vargas C, Rong Y, Chen Q. Evaluating the impact of different deface algorithms on deep learning segmentation software performance. Front Oncol. 2025 Oct 7;15:1603593. doi: 10.3389/fonc.2025.1603593. PMID: 41127020; PMCID: PMC12537390.
6. Sadeghi S, Khodaei M, Hempel L, Kirsten T. Quality Assessment of Brain MRI Defacing Using Machine Learning. Stud Health Technol Inform. 2024 Aug 22;316:636-637. doi: 10.3233/SHTI240493. PMID: 39176821.
7. A Fedorov, R Beichel, J Kalpathy-Cramer, J Finet, JC Fillion-Robin, M. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magnetic resonance imaging 30 (9), 1323-1341
8. R Kikinis, SD Pieper, KG Vosburgh. 3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support. Intraoperative imaging and image-guided therapy, 277-289
9. VTK User Guide. https://vtk.org/vtk-users-guide/
10. D Trikeriotis, A Theodoropoulou. Slicer FSP: An Open‑Source Modular Platform for Reproducible Dental Implant Surgery Planning, 17 February 2026, PREPRINT (Version 1) available at Research Square [https://doi.org/10.21203/rs.3.rs-8876559/v1]
Επιστημονική σύνταξη, τεκμηρίωση και επιμέλεια / Scientific writing, documentation and editing:
Τρικεριώτης Δημήτρης / Trikeriotis Dimitris DMD OMFS
Το παρόν εκπαιδευτικό έργο προστατεύεται από τη νομοθεσία περί πνευματικής ιδιοκτησίας.
Επιτρέπεται η αναφορά και η παραπομπή σε τμήματα του έργου με σαφή αναφορά της πηγής.
Η αναπαραγωγή, τροποποίηση ή εμπορική εκμετάλλευση του έργου, στο σύνολό του ή σε ουσιώδη μέρη του, χωρίς προηγούμενη γραπτή άδεια του δημιουργού, δεν επιτρέπεται.
Με επιφύλαξη παντός δικαιώματος (All rights reserved)
This educational work is protected by copyright law.
Reference and citation to parts of the work is permitted with clear reference to the source.
Reproduction, modification or commercial exploitation of the work, in its entirety or in substantial parts, without the prior written permission of the author is not permitted.
© 2026 Current Digital Future
Leave a Reply