深度学习辅助分割结合有限元分析揭示恐龙化石更自然的生物力学特性

本研究针对化石中填充的岩石基质导致有限元分析(FEA)结果偏差的问题，创新性地采用深度学习辅助分割技术对热河龙股骨化石进行精确建模。通过U-net架构的2.5D分割方法，实现了骨小梁与皮质骨的高精度区分（Dice系数达0.9472），并构建包含997,282单元的有限元模型。FEA结果显示，经分割处理的模型应力分布（最大应力2.93 MPa）与骨小梁结构形态高度吻合，较未分割模型（1.87 MPa）更能反映生物真实状态。该研究为古生物力学、功能形态学等研究提供了新方法。

　　

在古生物学研究中，化石标本的力学特性分析一直是个重大挑战。与现生物种保存完好的骨骼不同，化石标本往往被岩石基质包裹，这些填充在骨小梁间隙的杂质会显著扭曲有限元分析(FEA)的力学模拟结果。传统解决方法如阈值分割效率低下，手工分割又耗时耗力，特别是对于主要由松质骨构成的化石，其内部精细的骨小梁结构与周围基质密度对比度低，使得精确去除杂质变得异常困难。这严重制约了我们对灭绝物种生物力学特性和生态功能的认知。

为解决这一难题，来自中国医学科学院北京协和医院骨科、中国科学院古脊椎动物与古人类研究所等机构的研究人员Lijia Zhang、Zixiong Cao和Qi Zhao创新性地将深度学习技术与有限元分析相结合，选取早白垩世热河生物群的Jeholosaurus（一种小型双足恐龙）股骨标本（编号IVPP V 15939）开展研究。这项突破性成果发表在《Scientific Reports》上，为古生物力学研究开辟了新途径。

研究团队采用GE v|tome|xm300&180微米CT扫描仪（36.665μm体素大小）获取化石三维数据，运用Dragonfly 3D World软件中的Segmentation Wizard Workflow进行深度学习辅助分割。关键技术包括：1）选取包含不同骨组织特征的三个代表性CT切片（股骨头、股骨干和转子区）作为训练集；2）采用2.5D U-net架构（128×128像素块大小，32批次，0.35步幅比）进行多轮训练；3）使用Adadelta优化器和分类交叉熵损失函数；4）通过Dice系数评估分割精度；5）在ANSYS 2024 R1中进行有限元分析，比较分割与未分割模型的应力分布差异。

【结果】
在训练过程中，模型首轮即实现化石与周围环境的有效区分（空气+岩石Dice系数0.9573），但骨小梁与皮质骨区分不佳（Dice系数0.7651）。经过三轮优化训练后，骨小梁和皮质骨的Dice系数分别提升至0.9472和0.9944。三维重建发现股骨颈存在大裂缝，经手动修复后构建有限元模型（1,338,945节点）。FEA结果显示，分割模型的最大应力（2.93 MPa）显著高于未分割模型（1.87 MPa），其应力分布与CT中观察到的骨小梁束空间构型高度一致：股骨头顶部垂直延伸至内侧皮质骨的骨小梁束（黄色箭头指示）和股骨头下内侧水平延伸至外侧皮质骨的骨小梁束（绿色箭头指示）均对应应力图中的高应力区域（浅蓝色）。而未分割模型的应力分布与骨小梁结构吻合度较差。

【讨论与结论】
该研究首次将深度学习技术应用于恐龙化石骨小梁的精确分割，解决了传统方法无法清除骨小梁间隙岩石基质的难题。成功的关键在于：1）化石保存良好，与围岩密度对比明显；2）高分辨率CT捕捉了细微骨小梁结构；3）人工智能辅助工具显著提升了分割效率。通过将清除区域CT值调整为18000HU（空气信号强度），有效模拟了活体状态下松质骨间隙的流体填充状态，提高了FEA的生物真实性。

研究发现，化石过程中填充的岩石基质会分散原本由骨小梁承受的应力，导致未分割模型呈现更均匀的应力分布。而分割模型的应力分布模式与现存物种（如人类和现存主龙类）的观察结果相似，验证了该方法的可靠性。材料属性赋值方面，采用30层灰度分层（ρ=0.04+0.0008Hu，E=10200ρ^2.01，μ=0.3）平衡了细节保留与噪声控制。

这项研究的意义在于：1）建立了深度学习辅助分割与FEA结合的标准化流程；2）为灭绝物种的生物力学、功能形态学和分类学研究提供了新工具；3）展示了跨学科方法在古生物学中的应用潜力。未来研究需通过实验数据验证灰度-材料属性映射的准确性，并将该方法拓展应用于更多化石类型。该技术有望革新我们对远古生物运动方式和生态适应的理解。