[论文解读] Efficient identification of myocardial material parameters and the stress-free reference configuration for patient-specific human heart models

Laura Marx, Justyna A. Niestrawska+4 more|arXiv (Cornell University)|Jan 12, 2021

Elasticity and Material Modeling参考文献 68被引用 5

一句话总结

本文提出了一种新颖的自动化算法，仅使用临床MRI数据和单个舒张末期压力-容积数据点，即可高效识别患者特异性心肌材料参数及无应力参考构型。该方法采用快速、稳健的优化框架，将模型函数拟合至舒张末期压力-容积关系，仅需极少输入数据，从而实现个性化心脏模拟的临床转化。

ABSTRACT

Image-based computational models of the heart represent a powerful tool to shed new light on the mechanisms underlying physiological and pathological conditions in cardiac function and to improve diagnosis and therapy planning. However, in order to enable the clinical translation of such models, it is crucial to develop personalized models that are able to reproduce the physiological reality of a given patient. There have been numerous contributions in experimental and computational biomechanics to characterize the passive behavior of the myocardium. However, most of these studies suffer from severe limitations and are not applicable to high-resolution geometries. In this work, we present a novel methodology to perform an automated identification of in vivo properties of passive cardiac biomechanics. The highly-efficient algorithm fits material parameters against the shape of a patient-specific approximation of the end-diastolic pressure-volume relation (EDPVR). Simultaneously, a stress-free reference configuration is generated, where a novel fail-safe feature to improve convergence and robustness is implemented. Only clinical image data or previously generated meshes at one time point during diastole and one measured data point of the EDPVR are required as an input. The proposed method can be straightforwardly coupled to existing finite element (FE) software packages and is applicable to different constitutive laws and FE formulations. Sensitivity analysis demonstrates that the algorithm is robust with respect to initial input parameters.

研究动机与目标

• 通过克服现有方法在识别被动心肌材料特性方面的局限性，实现个性化心脏模拟的临床转化。
• 开发一种自动化、稳健的算法，仅需最少的体内数据——具体而言，一个舒张末期压力-容积数据点和一个时间点的网格或MRI扫描。
• 在一个统一的优化框架中同时估计心肌材料参数和无应力参考构型。
• 通过在优化过程中引入一种新颖的故障保护机制，提升收敛性和鲁棒性。
• 确保与多种本构定律和有限元软件包的兼容性，以实现广泛的临床适用性。

提出的方法

• 该方法使用模型函数拟合从临床影像数据中获得的舒张末期压力-容积关系（EDPVR），目标是使模拟EDPVR与目标EDPVR之间的差异最小化。
• 实现了一种新颖的故障保护功能，以增强材料参数和参考构型优化过程中的收敛性和鲁棒性。
• 通过在EDPVR曲线上最小化组合误差度量，算法同时识别材料参数和无应力参考构型。
• 测试了五种不同的模型函数：能量-Demiray、指数函数、平方指数函数、幂函数和拉普拉斯定律，每种均旨在表征不同的本构行为。
• 该方法的公式设定使得模拟EDPVR在无应力参考体积处通过零压力点，确保物理一致性。
• 该方法与多种有限元公式和本构定律兼容，可集成至现有的心脏模拟流程中。

实验结果

研究问题

• RQ1 仅使用一个体内压力-容积数据点和一个时间点的MRI几何数据，是否足以识别患者特异性心肌材料参数和无应力参考构型？
• RQ2 在缺乏大量实验数据的情况下，如何提升参数识别过程的收敛性和鲁棒性？
• RQ3 哪种模型函数在不同患者解剖结构下对舒张末期压力-容积关系的拟合最准确且最高效？
• RQ4 该方法在多大程度上可泛化至不同的本构定律和有限元软件平台？
• RQ5 该算法对初始参数猜测的敏感性如何？在存在真实临床数据不确定性的条件下，其准确性是否仍能保持？

主要发现

• 能量-Demiray和指数函数模型函数表现出最快的收敛速度和最高的拟合精度，两种测试案例的相对面积误差均低于8%。
• 对于案例06-CoA，平方指数函数和幂函数模型收敛较慢，而拉普拉斯定律模型的面积误差最高（8.40%），且偏移误差最大。
• 能量-Demiray和指数函数模型在案例06-CoA中分别实现了0.11%和0.13%的相对体积误差，表明其与目标Klotz曲线的拟合极为精确。
• 敏感性分析证实，该方法对初始参数值具有鲁棒性，支持其在临床环境中的可靠性。
• 尽管拉普拉斯定律模型在低压范围拟合最接近，但在高压区域显著偏离，因此整体适用性较差，尽管其具有物理直观性。
• 该算法成功生成了与模拟EDPVR一致的无应力参考构型，验证了参数与参考状态的双重估计的有效性。