[论文解读] Biomechanical modelling of brain atrophy through deep learning

Mariana da Silva, Kara Garcia+4 more|arXiv (Cornell University)|Dec 14, 2020

Advanced Neuroimaging Techniques and Applications参考文献 15被引用 4

一句话总结

该论文提出了一种可微分的、基于深度学习的生物力学模型，通过指定的萎缩图作为输入，利用Neo-Hookean材料模型和U-Net架构，结合生物力学启发的损失函数，模拟大脑萎缩。该模型在模拟纵向脑变形方面表现出高精度，萎缩预测误差降低至5.1×10⁻⁵（MSE），图像空间中的残余形变低于1.0×10⁻³，展示了快速、符合生物力学原理的模拟方法，适用于数据增强和因果假设检验。

ABSTRACT

We present a proof-of-concept, deep learning (DL) based, differentiable biomechanical model of realistic brain deformations. Using prescribed maps of local atrophy and growth as input, the network learns to deform images according to a Neo-Hookean model of tissue deformation. The tool is validated using longitudinal brain atrophy data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, and we demonstrate that the trained model is capable of rapidly simulating new brain deformations with minimal residuals. This method has the potential to be used in data augmentation or for the exploration of different causal hypotheses reflecting brain growth and atrophy.

研究动机与目标

• 开发一种可微分的、基于深度学习的框架，利用指定的局部体积变化模拟逼真的脑萎缩模式。
• 通过可学习的端到端可微分模型替代传统有限元方法，克服其计算瓶颈。
• 实现快速脑形变模拟，残余形变极小，适用于神经退行性疾病研究中的数据增强和因果建模。
• 通过在损失函数中嵌入Neo-Hookean应变能函数和解剖学约束，将生物力学合理性整合到深度学习中。
• 构建一个完全可微分的模型，可集成到更大的深度学习流水线中，用于可解释性和因果医学影像分析。

提出的方法

• 模型使用U-Net从输入的萎缩图中预测位移场，其中每个体素的值表示相对体积变化。
• 通过空间变换器层将位移场应用于原始MRI图像，实现可微分的图像变换。
• 损失函数结合了Neo-Hookean应变能密度模型，包含剪切模量（μ）和体积模量（K）的参数，并包含强制颅骨外区域位移为零以及固定质心的项。
• 模型在ADNI数据集的纵向T1加权MRI数据上以无监督方式训练，萎缩图由FSL FNIRT配准的雅可比行列式推导得出。
• 该框架在PyTorch中实现，支持2D和3D推理，具备扩展至循环或生成架构的潜力。
• 通过结合应变能、背景位移惩罚（λ₁）和质心固定惩罚（λ₂）的成本函数，实现生物力学约束。

实验结果

研究问题

• RQ1 仅使用指定的萎缩图作为输入，深度学习模型能否在尊重生物力学原理的前提下准确模拟脑萎缩模式？
• RQ2 与传统有限元方法相比，所提出的可微分生物力学模型在精度和推理速度方面表现如何？
• RQ3 该模型在未见于训练集的新萎缩模式下，特别是复杂或大范围形变中，泛化能力如何？
• RQ4 该模型能否用于生成真实感的合成数据，以支持神经影像学研究中的数据增强？
• RQ5 在模拟萎缩过程中，该模型在组织分割精度（如脑脊液、白质、灰质）方面表现如何？

主要发现

• 模型在从FNIRT推导的雅可比行列式预测萎缩图时，均方误差（MSE）为5.1×10⁻⁵，显著低于基线FNIRT方法。
• 模拟图像与真实图像之间的图像级MSE为1.0×10⁻³，标准差为5.1×10⁻⁴，表明图像重建具有高保真度。
• 脑脊液、白质、灰质和深部灰质的Dice分数分别为0.877、0.921、0.837和0.775，表明组织分割在模拟中保持良好。
• 当在全脑萎缩图上进行训练时，模型表现出鲁棒性，即使在损失中排除脑区，灰质和白质的Dice分数仍与全脑基线值相差不超过0.01。
• 该框架完全可微分，可集成到更大的深度学习流水线中，支持通过生物力学模拟过程进行反向传播。
• 该模型成功实现了极小残余的脑萎缩模拟，表明所学习的形变场具有强泛化能力和物理合理性。