A Cross-Attention Based Shape Transformer for Guided Long-Bone Reconstruction and Alignment

Abstract

Severe long-bone fractures often involve substantial bone loss and displaced fragments, requiring both geometric completion and rigid alignment for successful anatomical reconstruction. Although these two tasks are intrinsically coupled, existing methods typically address them separately, which often leads to suboptimal performance when dealing with large defects. This dissertation proposes a unified framework that integrates shape completion and rigid registration within a complementary architecture.

The proposed framework utilizes the contralateral healthy bone as a patient-specific geometric prior to establish a reliable anatomical reference. The system consists of two main components: a Guided-Aware Completion Module and a Fragment Registration Module. The process follows a three-stage pipeline: (1) aligning the contralateral guide to the reference fragment to ensure uniform coordinate framing, (2) predicting the missing geometry through a hybrid encoder combining Dynamic Graph CNN (DGCNN) and Transformer architectures with cross-attention mechanisms, and (3) using the predicted completion as a target for the precise registration of displaced fragments. Furthermore, a cyclic feedback loop is employed where alignment information is fed back to improve completion accuracy.

Experimental results on an in-house clinical dataset and the Virtual Skeleton Database (VSD) demonstrate that the proposed method consistently outperforms state-of-the-art baselines in shape fidelity, registration precision, and anatomical length preservation. Specifically, the model shows significant improvements in Bone Length Error (BLE), highlighting the effectiveness of the complementary coupling for robust, patient-specific long-bone reconstruction.

Keywords: Point Cloud Completion, Rigid Registration, Long-Bone Reconstruction, Cross-Attention, Patient-Specific Prior|중증 장골 골절의 수술적 치료에 있어, 손실된 뼈의 기하학적 형태 복원과 변위된 파편의 강체 정합은 성공적인 해부학적 재건을 위한 핵심 요소이다. 기존의 딥러닝 연구들은 이 두 과정을 독립적으로 취급하거나 순차적으로 해결하려 하였으나, 뼈 손실이 커 파편 간의 기하학적 중첩이 부족한 실제 임상 환경에서는 형태 왜곡과 정합 오차가 연쇄적으로 발생하는 한계가 있었다.

본 연구에서는 형태 완성 모델과 정합 모델을 상호 보완적인 아키텍처로 통합한 새로운 딥러닝 프레임워크를 제안한다. 특히, 데이터셋의 평균적인 형상에 편향되는 기존 모델들의 문제를 해결하기 위해, 환자의 반대측 정상 뼈를 환자 맞춤형 기하학적 사전 정보로 활용하였다.

제안하는 알고리즘은 크게 세 단계로 진행된다. 첫째, 반대측 가이드 뼈를 기준 파편에 정합하여 전역 좌표계를 일치시킨다. 둘째, DGCNN과 포인트 트랜스포머(Point Transformer)를 결합한 하이브리드 인코더, 그리고 Cross-Attention 기법을 통해 기준 파편과 가이드 뼈의 특징을 융합하여 손실된 전체 형상을 예측한다. 셋째, 완성된 전체 뼈 형상을 앵커로 삼아 변위된 파편을 최종적으로 정합한다.

이에 더해, 정합된 파편의 공간적 정보를 형태 완성 모듈로 다시 전달하는 순환 피드백 루프(cyclic feedback loop)를 도입하였다. 또한 단방향 챔퍼 거리(one-way Chamfer Distance)에 기반한 환자 맞춤형 형태 보존 손실 함수(shape preservation loss)를 적용하여, 네트워크가 임의의 형태를 생성하는 것을 방지하고 환자 고유의 해부학적 특징을 엄밀하게 유지하도록 설계하였다.

자체 구축한 임상 데이터셋과 Virtual Skeleton Database를 활용해 대퇴골, 경골, 비골, 상완골에 대한 평가를 수행한 결과, 제안하는 프레임워크는 형태 복원도, 정합 정밀도 및 뼈 길이 오차 등 모든 지표에서 기존의 최신 모델들을 크게 상회하는 성능을 보였다. 특히 임상적으로 중요한 뼈 길이 보존에 있어 높은 정확도를 달성함으로써, 본 연구의 통합적 접근 방식이 심각한 골 손실을 동반한 장골 골절 재건에 실질적으로 기여할 수 있음을 확인하였다.

핵심어: 포인트 클라우드 완성, 강체 정합, 장골 재건, 교차 어텐션, 환자 맞춤형 제조