《Journal of the Mechanical Behavior of Biomedical Materials》:Machine Learning-Based Detection and Area Quantification of Mechanical and Corrosion Damage in Tapered Hip Shafts
编辑推荐:
模块化股骨锥形连接处的腐蚀和机械损伤仍是全髋关节置换术(total hip arthroplasty, THA)中的重要降解机制。然而,其评估通常依赖序数视觉评分方法,这些方法将空间异质性损伤简化为单一严重程度等级。在此,研究人员提出一种基于SegFormer
模块化股骨锥形连接处的腐蚀和机械损伤仍是全髋关节置换术(total hip arthroplasty, THA)中的重要降解机制。然而,其评估通常依赖序数视觉评分方法,这些方法将空间异质性损伤简化为单一严重程度等级。在此,研究人员提出一种基于SegFormer的语义分割框架,用于在受控髋模拟器测试后对Ti6Al4V锥形柄上的摩擦腐蚀(tribocorrosion)损伤进行像素级识别和定量评估。研究人员手工标注了一个包含576张高分辨率扫描电子显微镜(scanning electron microscopy, SEM)图像的数据集,将其分为背景、腐蚀和机械损伤三类,并使用代表性SEM和能量色散X射线光谱(energy-dispersive X-ray spectroscopy, EDS)分析以及文献进行损伤特征识别。该模型使用混合加权交叉熵(cross-entropy, CE)和Dice损失进行训练,并采用结构化三阶段超参数优化策略。随后合并五个独立随机种子模型进行集成推理,以改善全场损伤量化并评估随机种子依赖的预测变异性。在独立测试集上,最终模型对腐蚀的交并比(Intersection over Union, IoU)为0.678,对机械损伤的IoU为0.496,总体像素准确率为0.947。作为概念验证应用,将所开发框架应用于两个代表性锥形案例,包括与Ti6Al4V或CoCrMo股骨头耦合的Ti6Al4V柄,以展示全场损伤量化。集成分析显示,代表性Ti6Al4V/CoCrMo病例表现出比Ti6Al4V/Ti6Al4V病例更大的腐蚀面积和更空间集中的腐蚀。区域尺寸分析进一步揭示,较大的局部区域对总腐蚀面积贡献显著,包括在Ti6Al4V/CoCrMo病例中单个0.50至1.00 mm2区域约占腐蚀面积的23.6%。一旦训练完成,该框架能够实现快速全表面损伤预测和定量分析,大幅减少大型SEM数据集所需的人工工作。总体而言,该框架提供损伤范围、分布和区域尺寸的空间分辨定量,超越传统序数评分。
论文解读:全髋关节置换术(total hip arthroplasty, THA)是恢复活动能力、缓解疼痛和改善生活质量最成功的手术之一,美国每年约完成500,000例髋关节置换,并预计增长约14%,翻修原因包括假体周围关节感染、机械松动和脱位。现代髋植入物的模块化设计便于术中调整腿长、偏距和轴承组合,也提高翻修灵活性,但模块化股骨头-颈锥形连接处易发生机械辅助缝隙腐蚀。在生理循环载荷下,该界面微动可产生磨损并反复破坏保护性钝化氧化膜,受限缝隙几何促进氧耗竭、腐蚀产物积累和局部酸化;由此导致的表面退化和金属碎屑及离子释放与不良局部组织反应、金属沉着和植入失败相关。锥形连接已被认为是独立于轴承表面的失效来源,锥度角、头尺寸、材料组合、偏距、柄刚度和植入时间均影响退化严重程度。因此,可靠表征和定量评估磨损与腐蚀损伤,对理解模块化锥形界面退化及评价植入物材料和设计性能很重要。现有翻修研究常用材料损失测量、表面成像和视觉评分。失重仅提供总材料损失,表面轮廓术提供局部地形和体积信息且需标准参考表面;相似材料损失可能对应明显不同的局部或分布性磨损与腐蚀模式。Goldberg等视觉评分将变色、碎屑、点蚀和磨损痕迹评成数值等级,但依赖观察者解释,将空间异质损伤降为序数等级,观察者间可靠性仅为中等。既往大量损伤报告基于光学图像,受空间分辨率限制,难以捕捉小尺度微结构特征;高分辨显微分析又常局限于小区域,不能覆盖整个表面损伤范围。Milimonfared等用传统光学图像、手工纹理特征和SVM分类器再现Goldberg评分,四等级腐蚀分类准确率约85%,但仍将每个图像区域视为单一类别,不能捕捉损伤空间分布,不能区分腐蚀与机械损伤,并依赖受控成像条件。深度学习推进了表面损伤图像量化,U-Net等编码器-解码器用于分割生物医学图像和缺陷,包括混凝土裂缝、钢腐蚀和焊接接头缺陷;Transformer架构因能捕捉长程空间依赖,在多个表面缺陷基准上优于卷积模型,尤其适合损伤形态跨多个空间尺度的情况;缺陷与混合CNN-Transformer架构在低对比和细特征缺陷分割中表现改进。尽管如此,据研究人员所知,股骨锥形损伤的像素级分析,包括缺陷面积、尺寸和空间分布的定量评估,尚未被研究。SegFormer适合本应用:其分层Mix Transformer编码器在1/4、1/8、1/16、1/32输入分辨率提取多尺度特征,在同一图像中捕捉局部纹理和全局上下文;轻量全MLP解码器不依赖位置编码,提高模型在不同放大倍数和表面方向SEM图像上的泛化能力。因此,研究人员旨在开发并验证一种机器学习框架,对髋模拟器测试后Ti
6Al
4V锥形柄上的机械和腐蚀损伤进行空间分辨检测和面积量化,并假设大面积SEM图像的像素级语义分割可可靠区分机械和腐蚀损伤并量化其面积和空间分布。测试和拆解后,研究人员对锥形接触区采用重叠高分辨率SEM显微图系统成像并进行蒙太奇重建;代表性区域被手工标注为背景、机械或腐蚀,用于训练、验证和测试SegFormer模型。多阶段超参数优化和多种子集成推理用于提高模型稳健性并量化预测变异。框架随后应用于两个代表性材料组合,比较与Ti
6Al
4V或CoCrMo股骨头耦合的Ti
6Al
4V锥形柄损伤。通过整合大面积SEM成像与语义分割,该方法自动识别表面损伤类型、位置、面积和空间分布,比单一序数严重度评分提供更多信息,同时减少大型SEM数据集所需的大量人工评估,并可作为传统材料损失测量的互补工具,未来可扩展到翻修股骨头和其他生物医学植入物表面。
为开展研究,作者采用的关键技术方法包括:样本队列为18个经台式髋模拟器测试的机加工Ti
6Al
4V锥形柄,与28 mm股骨头组装,其中Ti
6Al
4V股骨头n=10、CoCrMo股骨头n=8,股骨头由增材制造或锻造医学级合金加工;采用12/13锥度、UHMWPE髋臼杯、DMEM、1.5百万循环、350–600 N载荷及15° yaw/roll/pitch、1.5 Hz测试。成像与标注方面,采用大面积SEM蒙太奇(100×、20 kV、10%重叠)和EDS识别损伤,使用Roboflow对576张SEM图像进行背景、腐蚀、机械损伤三分类像素级标注;数据处理采用泄漏-free group split和训练集增强。模型方面,核心为SegFormer语义分割(MiT-b0编码器、轻量全MLP解码器),混合Dice损失和交叉熵,设置U-Net+ResNet34基线;优化方面采用三阶段超参数优化,包括目标函数加权、Optuna TPE核心参数搜索和损失/类权重优化;应用方面采用五随机种子集成推理,并进行像素面积换算与8连通区域尺寸量化。以上概括约250字以内。
研究结果如下。3.1 超参数优化结果:通过顺序超参数优化确定最终SegFormer训练配置。目标权重参数α在0.10至0.40范围内变化时,α=0.15获得最高综合性能,腐蚀验证IoU约0.74、机械损伤IoU约0.53、平均IoU约0.64。Optuna TPE搜索显示batch size为8时平均IoU最高;权重衰减影响相对小;较低至中等学习率通常产生更高验证分数,较大学习率伴随性能下降。损失和类权重优化中,最佳试验T8验证分数约0.648,采用约0.73的中间Dice损失乘数,机械损伤类权重约4.1、腐蚀类权重约2.8;更高类权重未持续改善分割。3.2 训练收敛行为与模型性能:25个epoch中,训练总损失和CE损失下降,验证总损失相对平稳并伴轻微波动;训练Dice损失稳步下降,验证Dice损失亦下降但稳定在较高值,显示训练与验证间存在持续差距。腐蚀验证IoU稳定高于0.70,机械损伤验证IoU波动更大并稳定在约0.52,平均验证IoU后期约0.63。归一化验证混淆矩阵显示背景、腐蚀、机械损伤召回分别为0.974、0.935、0.816;最大误分类为机械损伤像素被归为背景,比例为0.169,腐蚀与机械损伤间混淆保持较低。3.3 与基于CNN的基线比较:U-Net+ResNet34验证腐蚀IoU为0.656、机械损伤IoU为0.445、损伤平均IoU为0.550;SegFormer验证损伤平均IoU为0.648,高于基线,因此被选为最终分割架构用于独立测试集评估和全场损伤量化。3.4 最终模型在独立测试集上的性能:最终SegFormer在独立测试集上总体像素准确率0.947,三分类平均IoU为0.706,两损伤类平均IoU为0.587。腐蚀损伤IoU为0.678、Dice为0.808、精度为0.798、召回为0.819;机械损伤IoU为0.496、Dice为0.663、精度为0.649、召回为0.678;背景IoU为0.944、Dice为0.971、精度为0.973、召回为0.969。行归一化混淆矩阵显示,背景、腐蚀、机械损伤像素正确分类比例分别为96.9%、81.9%、67.8%;约16.3%腐蚀像素和28.9%机械损伤像素被误分为背景,腐蚀与机械损伤间直接混淆低。3.5 定性分割结果:模型对大型、边界清晰的腐蚀形态表现强,预测掩膜与标注真值空间一致;无可见腐蚀或机械损伤的背景区域被正确识别,未产生假阳性损伤预测。在小型或低对比特征中,浅磨沟和薄转移层等细尺度机械损伤出现局部误分类,其SEM对比度接近背景,导致标注和预测均不确定;部分腐蚀预测区域超出人工标注边界,但额外区域形态与已标注腐蚀区域相似。总体而言,大型明确腐蚀区域分割最强,小型或低对比机械损伤更可变。3.6 数据集划分和随机种子变化对模型性能的影响:用三种划分比例和五个随机种子共15次运行的最佳验证平均IoU评估,65/20/15、70/15/15、80/10/10划分的平均分数分别为0.607±0.018、0.612±0.022、0.604±0.007。加性双因素ANOVA显示,数据集划分比例F(2,8)=0.516、p=0.616,随机种子F(4,8)=2.286、p=0.149,在α=0.05水平均无统计学显著影响;效应量η
2分别为0.057和0.503。尽管未检测到显著差异,随机种子依赖变异仍然可观。3.7 基于集成的损伤量化:全场集成分割用于量化锥形界面机械和腐蚀损伤空间分布及范围。Ti
6Al
4V/Ti
6Al
4V耦合柄显示空间分布的机械损伤和局部腐蚀;Ti
6Al
4V/CoCrMo耦合柄显示更显著腐蚀,尤其局部区域。区域尺寸分析中,Ti
6Al
4V/Ti
6Al
4V机械损伤分布于大量小区域,小于0.001 mm
2区域有1,635个,0.001至0.005 mm
2区域有124个;腐蚀也有类似趋势,即大多数区域小,但较少较大区域对总面积贡献不成比例。Ti
6Al
4V/CoCrMo显示独特腐蚀分布,包括延伸至0.50至1.00 mm
2的腐蚀区域,其中单个区域约占总腐蚀面积23.6%,35个0.01至0.05 mm
2区域约占31.0%。面积测量显示Ti
6Al
4V/Ti
6Al
4V机械损伤和腐蚀面积相当,而Ti
6Al
4V/CoCrMo腐蚀面积更大、机械损伤面积更低。总体看,与Ti
6Al
4V股骨头耦合的Ti
6Al
4V柄损伤更广泛分布,而与CoCrMo股骨头耦合者腐蚀更局部集中、集中在较少较大区域。
讨论部分总结:研究人员的结果表明,SEM图像像素级语义分割提供空间分辨和定量方法,超越传统序数视觉评分。该框架生成密集分割图,保留腐蚀和机械损伤在锥形表面的位置与空间分布,并可评估总损伤面积、空间分布及单个损伤区域尺寸分布。相似总损伤面积可能来自许多小分散特征或少数大局部区域,代表不同表面退化模式,传统序数评分和总材料损失测量不能直接捕捉这些空间特征或同一表面上不同损伤模式共存。大面积SEM成像与自动分割结合,使细尺度损伤特征可在比局部高倍显微更大的表面范围内评估。手工标注576个SEM区域约占总共成像锥形表面四分之一,需约三周;训练后分割框架可自动推理完整成像表面,提供空间损伤图和面积量化,不局限于用于模型开发的损伤富集区域。腐蚀分割IoU高于机械损伤,部分归因于腐蚀相关特征对比度和形态更明显,如点蚀、氧化物沉积和蚀刻图案;机械损伤常呈许多细结构,与背景表面加工痕迹相似,对比度接近,难以区分。机械损伤较低IoU可能反映类别不平衡、细微损伤形态、标注不确定性和模型限制。较大且清晰区域通常更一致,较小特征及边界较不可靠。尽管大区域对总损伤面积贡献大,遗漏特征和边界误差会给机械损伤面积估计带来不确定性,应谨慎解释。腐蚀与机械损伤间混淆低于1.5%,表明多数分割错误发生在损伤与背景之间,而非两类损伤之间,说明模型能区分与腐蚀和机械损伤相关的形态特征。两个代表性全野外分析中,Ti
6Al
4V/CoCrMo锥形连接预测腐蚀面积更大且空间更集中;讨论提及异种合金间电偶相互作用曾被提出,但本研究未测量电偶电流、局部pH、电化学活性和腐蚀动力学,因此不能仅基于分割结果将更大腐蚀面积归因于特定电化学机制。该框架提供腐蚀相关表面特征的形态、面积、尺寸和空间分布定量信息,机制解释仍需互补电化学和材料表征。方法学上,分阶段超参数优化策略旨在平衡两类损伤分割性能,并在相对有限数据集上保持可重复性;固定目标函数权重参数α可防止搜索过程中优化目标变化,并更强调更具挑战性的机械损伤类。对于材料表征应用,高分辨显微数据获取和人工标注资源密集,计算高效且训练参数优化后的模型可作为增加模型容量的实用替代。尽管SEM摩擦腐蚀图像复杂,包括表面形态变化、加工痕迹、曲率引起亮度和对比度梯度及细损伤特征,结果仍证明像素级分割用于全场损伤评估的可行性。集成框架减少对单一模型初始化依赖,并提供种子依赖预测变异度量。限制包括数据集有限、单一SEM成像方案、细机械损伤标注不确定性可能影响泛化;数据集在SEM区域层面而非按锥形柄划分,同一柄图像可能出现在多个子集,尽管不同随机种子性能一致,但对未参与模型开发的标本泛化仍需评估;当前二维分析不捕捉损伤深度或体积材料损失,未来可通过互补表面表征纳入。
研究结论翻译:1. 最终SegFormer模型在独立测试集上表现出有效泛化,腐蚀IoU为0.678、机械损伤IoU为0.496,对应Dice分别为0.808和0.663;腐蚀和机械损伤的精度分别为0.798和0.649,召回分别为0.819和0.678。2. 一种包含目标函数加权、模型和优化器选择以及损失平衡的结构化三阶段优化策略,为有限标注数据集提供了有效训练配置;机械损伤分割难度更大,反映其细尺度形态、与加工痕迹相似以及数据集中代表性较低。3. 双因素ANOVA在本研究评估的配置中未检测到数据集划分比例或随机种子对分割性能有统计学显著影响。4. 五模型集成框架应用于代表性案例,以评估比较不同材料系统间摩擦腐蚀损伤的能力;在此应用中,Ti
6Al
4V/CoCrMo耦合柄比Ti
6Al
4V/Ti
6Al
4V耦合柄表现出更大腐蚀面积和更空间集中的腐蚀模式,区域尺寸分析进一步显示Ti
6Al
4V/CoCrMo病例中相当一部分腐蚀面积与较大局部区域相关,包括单个0.50至1.00 mm
2区域贡献约总腐蚀面积23.6%。总体而言,全场分割、总损伤面积量化和区域尺寸分析结合,为模块化锥形界面摩擦腐蚀损伤提供了定量且空间分辨的框架,并可作为传统序数视觉评分的替代方案,扩展到其他需要自动损伤识别和定量表面评估的应用。