基于VAE的松质骨微结构合成体积生成方法研究

《Computer Methods and Programs in Biomedicine》：VAE-based synthetic volume generation for trabecular bone microarchitecture

　　

背景与目的：显微计算机断层扫描能够通过定量形态学参数详细表征松质骨的微结构。然而，松质骨在不同物种、解剖位置、骨类型以及生理或病理条件下均表现出形态学变异。单个microCT数据集通常仅代表这种形态学变异中的有限部分，这可能限制定量描述符、图像处理流程和计算模型的开发与验证。本研究提出一种基于变分自编码器的框架，用于生成合成松质骨图像，以期支持对松质骨微结构更全面的研究。 方法：研究人员在单个microCT切片上训练VAE，学习一个三维潜空间，其中有序的切片序列被映射到一条连续轨迹上。生成合成体积简化为两个步骤：i) 定义一条潜空间轨迹，ii) 将其各点解码为二维图像，无需任何显式三维架构即可保证层间一致性。一个交互式轨迹编辑器允许用户操控、延伸或重采样潜路径，从而完全控制合成体积的形态、长度和分辨率。研究人员通过比较原始microCT切片与其VAE重建结果，以及原始microCT导出体积与基于VAE重建图像获得的三维体积，利用二维和三维松质骨微结构描述符评估了VAE的重建能力。通过编辑器修改潜空间轨迹可生成新的合成图像序列，从而产生多个具有可控形态变异性的合成三维体积。在本研究中，研究人员生成了这样一个序列，并使用微结构参数对相应的三维合成体积进行了表征，随后将所得数值与文献报道值进行比较，以评估所生成结构的合理性。 结果：形态学描述符的比较显示，VAE重建图像与原始microCT图像之间具有高度相似性。相应的三维体积也展现出可比的形态学特征，表明重建过程保留了原始microCT样本的主要结构特征。最终，由VAE合成图像生成的合成体积所呈现的微结构参数值与文献报道值相当。 结论：这些结果支持了所提框架生成具有连贯结构特征的合成松质骨微结构的能力。因此，该框架可为深度学习模型的训练提供数据增强，并支持对松质骨微结构进行更广泛的研究。未来的发展将聚焦于将选定的形态学描述符与三个潜空间轴相关联，从而扩展可生成和研究的微结构变异范围。

研究背景

骨骼具有多尺度层级组织结构，其中松质骨的微结构对于评估骨强度和力学响应至关重要。显微计算机断层扫描能够实现松质骨的非破坏性三维成像，并提供详细的网络结构可视化。基于microCT的定量骨形态学参数，如骨小梁厚度、连接性、骨体积分数（BV/TV）和各向异性度，已成为骨研究中评估结构-功能关系并为有限元（FE）模型提供输入参数的标准指标。然而，松质骨在不同物种、骨类型、解剖位置及生理或病理条件下表现出高度异质性和各向异性，而单个microCT数据集通常只能代表这一形态学空间中的有限部分。临床影像数据也难以跨机构汇集，这限制了计算管线的评估、分析方法间的比较以及定量骨研究的可重复性提升。因此，迫切需要能够生成额外形态学上合理的松质骨结构的方法，以补充现有实验数据集，支持更广泛的骨小梁结构研究。人工智能，特别是基于深度学习的生成模型如生成对抗网络（GANs）和变分自编码器，已被证明能够从影像数据中学习复杂的空间模式和纹理分布，成功应用于医学图像合成以实现数据增强、域适应和算法验证。然而，仅生成孤立的二维切片无法满足体数据应用需求，图像必须构成空间一致的序列才能形成合理的三维微结构。现有三维医学图像合成方法中，基于三维架构的方法计算成本高昂且不支持局部编辑，而轻量级二维生成模型则缺乏强制层间一致性的机制。变分自编码器在无条件三维生成领域仍鲜有探索。

研究方法与技术路线

研究人员采用了一种结合二维模型计算效率与体数据生成能力的替代策略。首先，在单个microCT切片上训练一个VAE作为生成核心；其次，利用KL散度强制潜空间正则化，使编码器将有序切片序列映射到一个三维潜空间中的连续轨迹上；最后，通过定义一个交互式轨迹编辑器，允许用户在潜空间中操控、延伸或重采样路径，从而实现对合成体积形态、长度和分辨率的完全控制。生成新体积时，只需定义一条新轨迹并将其各点解码为图像，层间一致性直接继承自路径的几何连续性，无需任何显式三维卷积或体数据架构。研究使用了来自开源Python包Ciclope的人类股骨松质骨microCT数据集，包含200张灰度图像，尺寸为200×200像素，空间分辨率0.02mm/像素。

研究结果

2.1 变分自编码器：VAE通过引入概率推理扩展了经典自编码器架构。编码器输出均值向量μ_φ(x)和方差向量σ_φ²(x)，定义多元高斯分布q_φ(z|x)=??(μ_φ(x), diag(σ_φ²(x)))。潜码z通过重参数化技巧采样得到，即z=μ_φ(x)+σ_φ(x)⊙ε，其中ε~??(0,I)。解码器将z映射回重建图像x?=f_θ(z)。该设计确保了潜空间的规则性，使得有序切片序列可映射为连续轨迹。

2.2 形态学表征管线：研究人员建立了定量参数提取流程，用于通过比较原始microCT数据与VAE重建及合成体积的结构属性来进行验证。具体而言，通过对比二维和三维松质骨微结构描述符，评估了VAE的重建保真度——原始microCT切片与其VAE重建图像之间的形态学描述符高度相似，相应三维体积也展现出可比的特征，表明重建过程保留了原始样本的主要结构特征。进一步地，通过交互式轨迹编辑器修改潜空间轨迹生成了一个合成体积，其微结构参数值与文献报道值相当，初步证明了该框架生成额外数据集的潜力。

结论与讨论

研究结果表明，所提出的基于VAE的框架能够生成具有连贯结构特征的合成松质骨微结构。该方法避免了原生三维架构的高计算成本，同时通过潜空间轨迹连续性保证了体数据一致性。交互式轨迹编辑器提供了完整的人机协同控制，支持逐点操控、插值和纵向超采样。定量验证显示，VAE重建图像及其对应三维体积的形态学描述符与原始数据高度吻合，合成体积的参数也与文献报道一致。因此，该框架可用于深度学习模型训练的数据增强，以及对松质骨微结构进行更广泛的研究。未来工作将致力于将选定的形态学描述符与三个潜空间轴建立关联，从而扩展可生成和研究的微结构变异范围。