一种统一的、完全自动化的、针对患者个体特征的骨骼重塑图像框架,用于骨骼诊断模拟

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:A unified fully-automatic patient-specific image to remodeling framework for bone diagnostic simulation

【字体: 大 中 小 】 时间:2026年04月24日 来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING 7.6

编辑推荐:

  阿维南丹·莫达克|阿里吉特·萨乌|拉吉布·乔杜里|塔伦·甘格瓦尔 印度罗尔基印度理工学院土木工程系 摘要 基于患者个体特征的数值模拟为无创骨骼评估提供了强大的工具,但目前的方法主要侧重于预测骨骼在当前解剖状态下的力学响应,而针对临床尺寸三维几何结构进行多尺度分层优化

  阿维南丹·莫达克|阿里吉特·萨乌|拉吉布·乔杜里|塔伦·甘格瓦尔
印度罗尔基印度理工学院土木工程系

摘要
基于患者个体特征的数值模拟为无创骨骼评估提供了强大的工具,但目前的方法主要侧重于预测骨骼在当前解剖状态下的力学响应,而针对临床尺寸三维几何结构进行多尺度分层优化的可行计算方法仍鲜有研究。本文提出了一种体素一致性计算框架,可直接基于计算机断层扫描数据实现可处理的三维多尺度分层骨骼优化。该框架将变分图像分割、基于体素的有限元分析以及材料-结构并行优化整合在统一的离散化过程中,无需中间几何处理即可确保成像、力学分析与优化结果的一致性。为解决微观尺度局部优化的极高计算成本问题,该框架采用物理约束的神经网络替代每个积分点的材料优化问题,显著降低了计算负担。基于连续介质微观力学原理,该框架能够同时优化多个分层变量,包括密度、胶原蛋白与矿物质成分以及微观结构取向。通过在患者特定CT数据集上的验证,该方法可得到力学上一致的最优微观结构分布,并能空间分辨地识别偏离最优状态的情况,为基于优化的患者个性化骨骼评估奠定了基础。

引言
基于患者个体特征的数值模拟已成为生物力学领域的重要研究范式,它可将医学成像数据转化为基于物理原理的模型,用于定量分析及个性化临床评估[1]–[7]。在骨骼力学中,骨重塑是一个固有的多尺度、反馈驱动的过程,骨骼会根据机械与生物刺激调整其密度及内部结构——从胶原蛋白和矿物质相的分子尺度到器官尺度[8]–[13]。因此,基于图像的模拟通过结合解剖几何结构与空间分辨率的密度信息,为无创评估骨重塑提供了巨大潜力[14]–[17],也为基于优化的骨骼健康评估奠定了基础[18]。然而,现有的基于图像的模拟方法主要侧重于预测骨骼在当前解剖状态下的力学响应,尚未明确解决在生理载荷作用下确定最优分层材料结构的逆向问题。

在将计算机断层扫描数据转化为用于力学模拟的患者特定有限元模型方面,自动化图像分析流程已取得显著进展。基于体素的离散化方法以及有限元胞方法等嵌入域技术[19]–[24],使得无需边界符合网格即可直接使用体积成像数据,从而简化了复杂解剖结构的分析。在该框架中,物理域被嵌入到结构化的笛卡尔网格中,几何特征则通过改进的积分方案进行捕捉[25]–[26]。从CT数据中提取骨骼几何结构通常采用变分或数据驱动的分割技术,如基于能量函数的Mumford–Shah函数及其变体,以及活动轮廓模型和Chan–Vese模型[27]–[30],这些方法具有较好的抗噪声和强度不均匀性能力。这些方法与基于体素的离散化方法天然兼容,可直接集成到基于图像的有限元分析流程中。基于扩散界面的边界条件处理方法进一步拓展了这一范式,可通过无表面约束的方式施加Neumann边界条件,无需显式重建边界[31]–[32]。综上,这些发展使得高度自动化的图像驱动模拟流程得以实现,已被成功应用于骨折模拟及患者特定风险评估等临床问题[20]–[42]。不过,尽管存在这些方法,其核心目标仍是为骨骼在当前解剖结构下的应力、应变及骨折风险等力学响应提供预测。

过去几十年间,骨重塑模型已从现象学描述发展为基于优化的公式,这类公式明确将机械载荷与结构适应联系起来[43]–[62]。早期模型主要描述由应变能刺激引发的密度变化[44],后续研究则引入拓扑优化技术,以预测更真实的骨小梁结构与密度分布[51]–[54]。这些框架后来通过FE2型均质化方法扩展到多尺度场景,该方法利用代表性单元胞将表观结构行为与潜在的微观结构组织关联起来[55]–[62]。然而,骨骼是一种本质上具有层次结构的材料,涉及多个相互作用的长度尺度——从胶原蛋白和羟基磷灰石等分子成分,到骨小腔等细胞结构,再到骨小梁微观结构,最终直至器官尺度——在FE2型框架中同时精确处理所有这些尺度,对于实际问题而言很快就会导致极高的计算成本。

为应对嵌套多尺度公式带来的计算挑战,我们此前提出了一种基于连续介质微观力学的材料-结构并行优化框架,可在统一公式中同时优化宏观结构响应与微观材料组织[63]–[65]。虽然该框架适用于二维CT数据生成的几何结构,但直接扩展到临床相关的三维问题仍面临巨大计算难度,因为每次宏观尺度迭代都需要在数百万个高斯积分点上求解耦合的局部材料优化问题。尽管已有降阶模型、超降维技术以及基于神经网络的方法等替代策略被用于降低多尺度力学中的微观尺度计算成本[66]–[70],但将其用于替代并行多尺度优化框架中的局部材料优化问题仍几乎未被探索,尤其是在大规模三维场景中。

尽管取得了上述进展,仍有两个根本性挑战尚未解决。首先,虽然并行多尺度优化框架已在简化场景中得到验证,但目前尚无可行的计算方法能够直接基于CT数据对骨骼进行三维分层优化。尤其是将此类公式扩展到临床尺寸的几何结构时,需要解决大量受约束的非线性材料优化问题——每个高斯积分点都需要一个优化问题,且每个问题的设计空间都包含多个分层尺度,这使得实际计算几乎不可行。其次,基于体素离散化的自动化图像分析流程虽已成熟,但其与多尺度分层优化的整合仍未能实现。目前仍缺乏一种体素一致性公式,能够在单一自动化框架中整合分割、力学分析与多尺度优化,这限制了基于优化的患者个性化骨骼评估方法的适用性。综上,这些限制阻碍了直接基于临床成像数据,通过计算手段对骨骼结构进行可行且基于优化的评估。

本文旨在解决这些挑战,通过开发一种体素一致性计算框架,实现直接基于CT数据的对骨骼结构进行可计算的三维多尺度分层优化。所提出的方法将变分图像分割、基于体素的有限元分析以及材料-结构并行优化整合在统一的离散化过程中,从而确保成像、力学分析与优化结果之间的一致性,无需中间几何处理。为解决微观尺度局部材料优化的过高计算成本,我们引入了一种物理约束的机器学习替代模型,用于替代每个积分点的优化问题,从而将计算复杂度降低到适合临床尺寸三维几何结构的水平。基于连续介质微观力学原理,该框架能够同时优化多个分层变量,包括密度、胶原蛋白与矿物质成分以及微观结构取向,覆盖多个相互作用的长度尺度。最后,我们在患者特定CT数据集上展示了该方法的性能,证明所得优化结构可为评估骨骼结构偏差提供力学上一致的参考,从而实现一类新的基于优化的患者个性化分析方法。

本文其余部分的结构如下:第2节介绍建模框架:2.1节阐述从3D CT数据中进行骨骼几何结构的变分分割,2.2节介绍基于体素的CT几何结构有限元胞离散化,2.3节讲解基于CT的骨骼结构的无表面边界条件施加方法,简要回顾相关基础组件——变分图像分割、基于体素的有限元胞离散化以及扩散边界条件公式;2.4节则在基于体素的有限元框架下构建所提出的多尺度分层优化框架,尤其建立了一种体素一致性公式,整合分割、力学分析与多尺度优化,并将现有公式扩展到三维应用场景。第3节描述该框架的算法实现,包括多尺度问题的求解策略,以及用于替代局部材料优化问题的物理约束深度神经网络替代模型,从而使整个公式在大规模三维场景下具备可计算性。第4节展示在临床CT数据上的数值计算结果,包括验证研究以及所提出的基于优化的骨骼健康评估方法的演示。最后,第5节给出结论与未来展望。

框架概述
所提出的框架建立在基于图像的生物力学与多尺度建模领域的现有成果之上,这些成果在此被重新审视,用以实现一种统一的、体素一致性的三维多尺度优化公式。各小节分别介绍该流程的各个组成部分,并阐明其在当前研究中的作用。2.1节描述了一种变分分割方法,可用于在CT体素网格上直接定义物理域。

算法层面
在本节中,我们将介绍基于体素离散化的材料-结构并行优化框架的算法实现。重点阐述如何分解耦合的多尺度优化问题,以及如何使用物理约束的替代模型来替代局部材料优化子问题。这种方法能够实现可计算的解决方案,可应用于大型三维CT数据集,也为后续内容奠定基础。

数值实现与结果
在本节中,我们通过将该框架应用于临床股骨近端CT数据集,展示其全自动图像到优化流程的性能。首先评估两阶段变分分割与去接触处理方法在患者特定CT数据集中的稳健性,证明其能够生成解剖学上一致、与体素网格相符的骨骼区域,适合进行有限元分析。随后展示所得到的宏观密度与微观结构结果。

结论与展望
本研究建立了一个完全自动化的端到端计算框架,可将患者特定的临床CT成像直接与骨骼的多尺度分层优化相结合。该框架完全基于图像数据的原生体素离散化,整合了变分图像分割、无表面边界条件施加方法,以及由物理约束神经网络替代模型加速的材料-结构并行优化公式。

CRediT作者贡献声明
阿维南丹·莫达克:撰写——初稿、可视化、软件、方法论、研究实施、概念构思。阿里吉特·萨乌:可视化、软件、方法论、研究实施。拉吉布·乔杜里:撰写——审稿与编辑、监督、资源提供、形式分析。塔伦·甘格瓦尔:撰写——审稿与编辑、监督、项目管理、方法论、资金获取、概念构思。

人工智能使用声明
在准备本文档期间,作者们使用了ChatGPT来提升手稿的可读性与语言表达质量。使用该工具后,作者们对内容进行了必要的审阅与修改,并对最终发表文章的内容负全责。

利益冲突声明
作者们声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
第一作者(阿维南丹·莫达克)感谢印度政府教育部的财政支持。塔伦·甘格瓦尔感谢IIT Roorkee的教师启动基金对该研究的资助。此外,作者们还感谢IIT Roorkee计算机中心的PARAM Ganga超级计算设施提供的计算支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号