[论文解读] 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 3

一句话总结

本文提出了一种新颖的多尺度计算框架，通过将宏观骨骼层面的有限元分析与训练好的人工神经网络相结合，加速了骨重塑模拟。神经网络替代了在小梁层面耗时的有限元计算，实现了基于机械载荷的骨性能更新的快速预测，验证使用了基于显微CT（m-CT）获取的2 mm³代表性体积元。

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.

研究动机与目标

• 开发一种计算高效的多尺度骨重塑模拟方法，覆盖宏观与介观尺度。
• 通过用训练好的神经网络代理模型替代全3D小梁有限元建模，降低计算负担。
• 通过分层混合模型，将宏观骨骼机械行为与介观小梁结构变化相联系。
• 利用基于影像的建模方法，实现在生理载荷条件下骨适应性的快速模拟。
• 使用股骨头的m-CT衍生代表性体积元对方法进行验证。

提出的方法

• 在宏观尺度构建有限元模型，以模拟整个骨骼的机械响应。
• 在介观尺度使用独立的有限元模型，模拟来自m-CT扫描的2 mm³代表性体积元内小梁网络的行为。
• 利用包括骨材料属性、边界条件和施加应力在内的输入数据训练人工神经网络，输出为更新后的骨属性和小梁因子。
• 训练好的神经网络在宏观模拟循环中替代介观尺度的有限元计算，实现实时结构适应性预测。
• 采用基于数字图像的有限元网格划分技术，以捕捉股骨头小梁骨的复杂几何形态。
• 分层框架根据神经网络提供的介观尺度预测结果，更新宏观尺度的骨机械性能。

实验结果

研究问题

• RQ1 神经网络代理模型能否准确替代骨重塑模拟中耗时的介观尺度有限元计算？
• RQ2 混合有限元与神经网络模型在机械载荷下预测小梁骨结构变化的效率如何？
• RQ3 与全3D小梁建模相比，所提出的多尺度模型在显著降低计算成本的同时，其准确性保持程度如何？
• RQ4 该模型在基于机械刺激下再现小梁结构形态变化的能力如何？
• RQ5 训练好的神经网络能否在不同载荷条件和股骨头骨材料属性下实现良好泛化？

主要发现

• 所提出的混合模型通过用训练好的神经网络替代介观尺度的有限元分析，实现了骨重塑的快速模拟。
• 神经网络能够基于输入的机械载荷和材料参数，成功预测更新后的骨属性和小梁因子。
• 与全3D小梁有限元建模相比，该模型实现了显著的计算加速。
• 该方法通过股骨头m-CT衍生的2 mm³代表性体积元得到验证，确保了解剖学相关性。
• 据作者所知，该框架是首次将有限元与神经网络计算整合用于多尺度骨适应性模拟。
• 该模型在大幅减少模拟时间的同时，保持了对结构适应性预测的准确性。