[논문 리뷰] Multiscale approach for bone remodeling simulation based on finite element and neural network computation

Ridha Hambli, Abdelwahed Barkaoui|arXiv (Cornell University)|2011. 07. 19.

Elasticity and Material Modeling참고 문헌 6인용 수 3

한 줄 요약

이 논문은 매크로스코픽 뼈 수준에서 유한요소 분석을 수행하고, 메조스코픽 뼈구조 변화를 예측하기 위해 훈련된 인공신경망을 결합함으로써 뼈 재형성 시뮬레이션을 가속화하는 새로운 다스케일 계산 프레임워크를 제시한다. 신경망은 메조스코픽 뼈구조 수준에서 시간이 오래 걸리는 유한요소 계산을 대체하여 기계적 하중 조건에 기반한 뼈 성질 업데이트를 신속하게 예측할 수 있게 하며, m-CT에서 유도된 2 mm³ 대표체적 요소를 활용해 검증된다.

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.

연구 동기 및 목표

• 매크로스코픽 및 메조스코픽 수준에서 다스케일 뼈 재형성 시뮬레이션을 위한 계산적으로 효율적인 방법을 개발하기 위해.
• 전체 3D 메조스코픽 뼈 유한요소 모델링의 계산 부담을 줄이기 위해 이를 훈련된 신경망 서rogate로 대체하기 위해.
• 계층적인 하이브리드 모델을 통해 매크로스코픽 뼈 기계적 거동과 메조스코픽 뼈구조 변화를 연결하기 위해.
• 이미지 기반 모델링을 활용해 생리학적 하중 조건 하에서 뼈 적응을 신속하게 시뮬레이션할 수 있도록 하기 위해.
• 대퇴골두에서 유도된 m-CT 기반의 2 mm³ 대표체적 요소를 사용하여 접근 방식을 검증하기 위해.

제안 방법

• 매크로스코픽 수준에서 전체 뼈 기계적 거동을 시뮬레이션하기 위한 유한요소 모델을 구축한다.
• 메조스코픽 수준에서 m-CT 스캔에서 유도된 2 mm³ 대표체적 요소 내의 뼈세공망 구조 거동을 시뮬레이션하기 위해 별도의 유한요소 모델을 사용한다.
• 입력 데이터로 뼈 재료 특성, 경계 조건, 적용된 응력을 사용하고, 출력으로는 업데이트된 뼈 성질과 뼈세공망 인자들을 포함하여 인공신경망을 훈련한다.
• 훈련된 신경망이 매크로스코픽 시뮬레이션 루프 내에서 메조스케일 유한요소 계산을 대체하여 실시간으로 구조적 적응을 예측할 수 있도록 한다.
• 디지털 영상 기반 유한요소 메esh 생성을 사용하여 대퇴골두의 뼈세공망 복잡한 기하학적 구조를 포착한다.
• 계층적 프레임워크는 신경망에서 유도된 메조스케일 예측 결과를 바탕으로 매크로스코픽 척도에서 뼈 기계적 성질을 업데이트한다.

실험 결과

연구 질문

• RQ1 신경망 서rogate는 뼈 재형성 시뮬레이션에서 메조스케일에서 시간이 오래 걸리는 유한요소 계산을 정확하게 대체할 수 있는가?
• RQ2 하이브리드 유한요소 및 신경망 모델은 기계적 하중 조건 하에서 뼈세공망 구조 변화를 얼마나 효과적으로 예측할 수 있는가?
• RQ3 전체 3D 뼈세공망 모델링에 비해 상당한 계산 비용 절감을 이루면서도, 제안된 다스케일 모델은 정확성을 얼마나 잘 유지하는가?
• RQ4 모델은 기계적 자극에 기반하여 뼈세공망 구조의 형태학적 변화를 얼마나 잘 재현하는가?
• RQ5 훈련된 신경망은 대퇴골두의 다양한 하중 조건과 뼈 재료 특성에 대해 일반화하여 적용 가능한가?

주요 결과

• 제안된 하이브리드 모델은 메조스케일 유한요소 분석을 훈련된 신경망으로 대체함으로써 뼈 재형성 시뮬레이션을 신속하게 수행할 수 있다.
• 신경망은 입력 기계적 하중 및 재료 파rameter를 바탕으로 업데이트된 뼈 성질과 뼈세공망 인자를 성공적으로 예측하였다.
• 메조스케일에서 전체 3D 유한요소 모델링에 비해 상당한 계산 속도 향상을 달성하였다.
• 모델은 대퇴골두에서 유도된 m-CT 기반의 2 mm³ 대표체적 요소를 사용하여 검증되었으며,解剖학적 관련성을 확보하였다.
• 저자들에 따르면, 이 프레임워크는 다스케일 뼈 적응 시뮬레이션을 위한 유한요소와 신경망 계산의 첫 통합을 나타낸다.
• 모델은 시뮬레이션 시간을 크게 줄이면서도 구조적 적응 예측 정확도를 유지한다.