[논문 리뷰] Towards Fast Biomechanical Modeling of Soft Tissue Using Neural Networks

Felix Meister, Tiziano Passerini외 4명|arXiv (Cornell University)|2018. 12. 13.

Elasticity and Material Modeling참고 문헌 10인용 수 4

한 줄 요약

이 논문은 전통적인 명시적 유한요소법(FEM)의 안정성 한계를 우회하여, 큰 시간 간격 동안 연부조직 변형에서 정점별 가속도를 직접 예측하는 딥 뉴럴 네트워크를 제안한다. 비틀림 하중를 가한 단일 합성 막대에 대해 훈련된 모델은 원래 시간 간격의 10배인 10× 시간 간격에서 0.017 mm ± 0.014의 하위 밀리미터 수준의 정확도를 달성하며, FEM 안정성 한계를 초월해도 안정성을 유지하지만, 매우 큰 시간 간격에서는 인위적 강성 증가 현상이 나타난다.

ABSTRACT

To date, the simulation of organ deformations for applications like therapy planning or image-guided interventions is calculated by solving the elastodynamics equations. While efficient solvers have been proposed for fast simulations, methods that are both real-time and accurate are still an open challenge. An ideal, interactive solver would be able to provide physically and numerically accurate results at high frame rate, which requires efficient force computation and time integration. Towards this goal, we explore in this paper for the first time the use of neural networks to directly learn the underlying biomechanics. Given a 3D mesh of a soft tissue segmented from medical images, we train a neural network to predict vertex-wise accelerations for a large time step based on the current state of the system. The model is trained using the deformation of a bar under torsion, and evaluated on different motions, geometries, and hyperelastic material models. For predictions of ten times the original time step we observed a mean error of 0.017mm $\pm$ 0.014 (0.032) at a mesh size of 50mm x 50mm x 100mm. Predictions at 20dt yield an error of 2.10mm $\pm$ 1.73 (4.37) and by further increasing the prediction time step the maximum error rises to 38.3mm due to an artificial stiffening. In all experiments our proposed method stayed stable, while the reference solver fails to converge. Our experiments suggest that it is possible to directly learn the mechanical simulation and open further investigations for the direct application of machine learning to speed-up biophysics solvers.

연구 동기 및 목표

• 치료 계획 수립 및 영상 유도 수술와 같은 의료 적용 분야를 위한 실시간이고 정확한 연부조직 변형 시뮬레이션 도전 과제를 해결한다.
• 특히 명시적 FEM가 안정성을 확보하기 위해 작은 시간 간격이 필요로 하는 바탕이 되는 생체역학 해법에서의 계산 속도와 정확도 간의 상충 관계를 극복한다.
• 딥 러닝이 기저 생체역학 역학을 직접 근사화할 수 있는지 탐색하여, 큰 시간 간격 예측이 가능한지를 검토한다.
• 다양한 기하구조, 운동 형태, 초탄성 재료 모델에 대해 일반화 가능한 데이터 기반 대체 모델을 개발한다.
• 학습된 가속도 예측기로 명시적 FEM의 안정성 한계를 초월한 안정성과 정확성을 입증한다.

제안 방법

• 현재 시스템 상태인 변위 u(t), 속도 u̇(t), 총력 f_T(t) = f_e - Ku를 기반으로 큰 시간 간격 Δt에서 정점 가속도를 예측하기 위해 완전히 연결된 순환 신경망을 훈련한다.
• 입력 특징을 국소 좌표계로 변환하여 일반화 능력과 전역 운동에 대한 불변성을 향상시킨다.
• 초탄성 지수 재료 모델(Ψ = a/(2b)exp(b(I₁−3)) + d(J−1))을 사용한 총 라그랑주 명시적 동역학(TLED) FEM을 통해 생성된 합성 데이터셋을 사용한다.
• TLED 시뮬레이션에서 예측된 가속도와 진짜 가속도 간의 회귀 손실을 사용해 네트워크를 종단 간 훈련한다.
• 훈련된 네트워크를 사용해 Δt = 10dt, 20dt, 50dt, 100dt에서 변형을 시뮬레이션하며, 상태를 초기화하기 위해 TLED를 사용한 '버닝 인' 단계를 거친다.
• 이차 시간 적분 방법을 사용해 변위를 업데이트한다: u(t+Δt) = ü_Δt(t)·Δt² + 2u(t) - u(t−Δt).

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 명시적 FEM의 시간 간격 제약을 우회하여 큰 시간 간격에서 연부조직 변형의 가속도를 직접 예측할 수 있는가?
• RQ2 학습 데이터 외부의 기하구조(예: 실린더, 간엽)와 운동 유형(비틀림, 길이 증가, 눌림)에 대해 학습된 모델의 일반화 능력은 얼마나 뛰어나며, 학습 데이터를 초월하는가?
• RQ3 명시적 FEM의 안정성 한계를 초월할 경우, 예측 정확도와 시간 간격 크기 사이의 상충 관계는 어떠한가?
• RQ4 기존 FEM가 수렴하지 못하는 극한 시간 간격(예: 50dt, 100dt)에서도 모델은 안정적인 동작을 보이는가?
• RQ5 재학습 없이도 네오-후크형 거동과 같은 복잡한 재료 거동을 얼마나 잘 포착하는가?

주요 결과

• 원래 시간 간격의 10배인 10dt에서 모델은 FEM 기준값과 비교해 평균 예측 오차 0.017 mm ± 0.014 (0.032)를 기록하며 높은 정확도를 확보했다.
• 20dt에서는 오차가 2.10 mm ± 1.73 (4.37)로 증가하여 인위적 강성 증가 현상이 나타나기 시작했지만, 시뮬레이션은 여전히 안정성을 유지했다.
• 50dt 및 100dt 예측에서는 모델이 수치적으로 안정적이며 발산하지 않았고, 반면 기준 FEM 솔버는 수렴하지 못해 실패했다.
• 100dt에서 최대 오차는 누적된 인위적 강성으로 인해 38.3 mm에 도달했으며, 이는 네트워크 용량과 훈련 데이터의 다양성에 한계가 있음을 시사한다.
• 모델은 비틀림, 길이 증가, 눌림 등 다양한 운동 형태, 막대, 실린더, 간엽 등의 기하구조, 지수 모델 및 네오-후크형 재료 모델에 대해 잘 일반화되었다.
• 결과적으로 제안된 AI 기반 솔버는 명시적 FEM의 병렬 처리 가능성과 암시적 FEM의 안정성 특성을 결합하여 큰 시간 간격 시뮬레이션을 가능하게 한다.