[論文レビュー] Multiscale approach for bone remodeling simulation based on finite element and neural network computation

Ridha Hambli, Abdelwahed Barkaoui|arXiv (Cornell University)|Jul 19, 2011

Elasticity and Material Modeling参考文献 6被引用数 3

ひとこと要約

本論文は、マクロスケールの骨レベルにおける有限要素解析と、トレーニング済みの人工ニューラルネットワークを組み合わせることで、骨の remodeling シミュレーションを高速化する画期的なマルチスケール計算フレームワークを提示する。ニューラルネットワークはミクロスケールの骨小梁構造の変化を予測するために用いられ、骨小梁レベルにおける時間的に要する有限要素計算の代わりに機能し、機械的負荷に基づく骨の性質の更新を迅速に予測可能となる。m-CT由来の2 mm³の代表的体積要素を用いた検証が行われている。

ABSTRACT

The aim of this paper is to develop a multiscale hierarchical hybrid model based on finite element analysis and neural network computation to link mesoscopic scale (trabecular network level) and macroscopic (whole bone level) to simulate bone remodelling process. Because whole bone simulation considering the 3D trabecular level is time consuming, the finite element calculation is performed at macroscopic level and a trained neural network are employed as numerical devices for substituting the finite element code needed for the mesoscale prediction. The bone mechanical properties are updated at macroscopic scale depending on the morphological organization at the mesoscopic computed by the trained neural network. The digital image-based modeling technique using m-CT and voxel finite element mesh is used to capture 2 mm3 Representative Volume Elements at mesoscale level in a femur head. The input data for the artificial neural network are a set of bone material parameters, boundary conditions and the applied stress. The output data is the updated bone properties and some trabecular bone factors. The presented approach, to our knowledge, is the first model incorporating both FE analysis and neural network computation to simulate the multilevel bone adaptation in rapid way.

研究の動機と目的

• マクロスケールとミクロスケールの両レベルで、計算的に効率的なマルチスケール骨のremodeling シミュレーション手法の開発。
• 3次元骨小梁有限要素モデルの全計算負荷を、トレーニング済みのニューラルネットワークの代理モデルに置き換えることで、計算負担を低減すること。
• 階層的ハイブリッドモデルを通じて、マクロスケールの骨の機械的挙動とミクロスケールの骨小梁構造の変化を結びつけること。
• 画像ベースのモデリングを用いて、生体的負荷条件下での骨の適応の迅速なシミュレーションを可能にすること。
• 大腿骨頭由来のm-CTによる代表的体積要素を用いて、手法の検証を行うこと。

提案手法

• マクロスケールで、全骨の機械的応答をシミュレートするための有限要素モデルを構築する。
• ミクロスケールで、m-CTスキャンからの2 mm³の代表的体積要素内における骨小梁ネットワーク挙動をシミュレートする別個の有限要素モデルを用いる。
• 骨の材料特性、境界条件、および適用される応力といった入力データを用いて、ニューラルネットワークをトレーニングし、出力として更新された骨の特性と骨小梁要因を生成する。
• トレーニング済みのニューラルネットワークが、マクロスケールのシミュレーションループ内でのミクロスケールの有限要素計算を置き換え、構造的適応のリアルタイム予測を可能にする。
• 骨小梁骨の複雑な幾何形状を捉えるために、デジタル画像ベースの有限要素メッシュ生成を用いる。
• 階層的フレームワークは、ニューラルネットワークによるミクロスケールの予測に基づき、マクロスケールでの骨の機械的特性を更新する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークの代理モデルは、骨のremodeling シミュレーションにおけるミクロスケールでの時間的に要する有限要素計算を正確に置き換えることができるか？
• RQ2 ハイブリッド有限要素法とニューラルネットワークモデルは、機械的負荷下での骨小梁骨構造の変化をどの程度効果的に予測できるか？
• RQ3 本手法は、3次元骨小梁モデリングに比べて、著しく計算コストを削減しながらも、正確性をどの程度保持できるか？
• RQ4 モデルは、機械的刺激に基づく骨小梁構造の形態的変化をどの程度正確に再現できるか？
• RQ5 トレーニング済みのニューラルネットワークは、大腿骨頭における異なる負荷条件や骨の材料特性に一般化して適用可能か？

主な発見

• 提示されたハイブリッドモデルは、ミクロスケールの有限要素解析をトレーニング済みのニューラルネットワークに置き換えることで、骨のremodeling シミュレーションを迅速化可能である。
• ニューラルネットワークは、入力の機械的負荷と材料パラメータに基づき、更新された骨の特性と骨小梁要因を正確に予測した。
• 本モデルは、骨小梁レベルにおける完全な3次元有限要素モデリングに比べて顕著な計算スピードアップを達成した。
• 手法は、大腿骨頭由来のm-CTベースの2 mm³の代表的体積要素を用いて検証され、解剖学的妥当性が保証された。
• 著者らの知る限り、本研究は、マルチスケール骨適応シミュレーションにおける有限要素法とニューラルネットワーク計算の統合を初めて実現した。
• 本モデルは、シミュレーション時間を著しく短縮しながらも、構造的適応の予測において高い正確性を維持した。