MRI로부터 골반 장기 기하학의 환자 맞춤형 3D 재구성을 수행하는 것은 골반저 모델링 (pelvic floor modeling) 및 후속 환자 맞춤형 분석을 위해 중요합니다. 그러나 기존 연구들은 주로 이미지 분할 (image segmentation) 또는 3D 모델의 후속 활용 중 하나에 집중해 왔으며, 고충실도(high-fidelity) 및 고품질 기하학적 구조의 재구성은 여전히 노동 집약적이며 표준화가 미흡한 상태로 남아 있습니다. 본 연구는 방광, 자궁, 직장의 재구성을 위해 딥러닝 (deep learning) 예측과 반복 최적화 (iterative optimization)를 통합하는 하이브리드 변형 가능한 형상 모델링 (hybrid deformable shape modeling) 프레임워크를 소개합니다. 이 프레임워크는 세 가지 핵심 구성 요소로 이루어져 있습니다: 골반 장기의 위상적 일관성 (topological consistency)을 보존하는 기하학 인지 다층 딥러닝 아키텍처 (geometry-aware multi-level deep learning architecture); 전역적 형상 포착 (global shape capture)과 국소적 표면 정밀화 (local surface refinement) 사이의 균형을 맞추는 2단계 분할 상환 최적화 (two-stage amortized optimization) 학습 전략; 그리고 총체적 시너지 메커니즘 (holistic synergy mechanism)입니다. 이 메커니즘은 학습 단계에서는 반복 최적화가 딥러닝에 감독 (supervision)을 제공하며, 추론 (inference) 단계에서는 딥러닝이 전역적인 장기 형태를 빠르게 예측한 후, 반복 최적화가 국소 표면과 메쉬 (mesh) 품질을 정밀화합니다. 이 프레임워크는 현재 주류인 딥러닝 기반 장기 재구성 모델들보다 기하학적 충실도 면에서 현저한 우월성을 입증했습니다. 개별 해부학적 구조의 경우, 재구성된 방광, 직장 및 자궁의 3D 기하학 구조는 현저히 낮은 Chamfer Distance 값과 더 높은 Dice Similarity Coefficient 점수를 달성했습니다. 또한, 높은 계산 효율성을 유지하면서도 제안된 아키텍처는 우수한 전반적 체적 메쉬 (volumetric mesh) 품질을 산출했습니다. 환자 수준에서 이 프레임워크는 전통적인 기하학적 후처리 (geometric post-processing) 알고리즘과 비교했을 때 minSICN 및 minSIGE 모두에서 하위 10개 요소에 대해 더 높은 평균값을 달성했습니다.