[论文解读] Towards Fast Biomechanical Modeling of Soft Tissue Using Neural Networks

Felix Meister, Tiziano Passerini+4 more|arXiv (Cornell University)|Dec 13, 2018

Elasticity and Material Modeling参考文献 10被引用 4

一句话总结

该论文提出一种深度神经网络，可直接预测大时间步长下软组织形变的顶点加速度，绕过传统显式有限元法（FEM）的稳定性限制。模型在单个合成棒体扭转形变数据上进行训练，实现10倍原始时间步长下亚毫米级精度（0.017 mm ± 0.014），且在FEM稳定性极限之外仍保持稳定，尽管在极长时间步长下出现人工硬化现象。

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.

研究动机与目标

• 解决医学应用中实时、精确的软组织形变模拟挑战，如治疗规划和图像引导手术。
• 克服传统生物力学求解器中计算速度与精度之间的权衡，特别是显式FEM因稳定性要求而需使用小时间步长的问题。
• 探究深度学习是否可直接近似底层生物力学动力学，从而实现大时间步长预测。
• 开发一种可泛化于不同几何形状、运动形式和超弹性材料模型的数据驱动代理模型。
• 通过学习的加速度预测器，展示在显式FEM稳定性极限之外仍保持稳定与高精度。

提出的方法

• 训练一个全连接前馈神经网络，基于当前系统状态（位移u(t)、速度u̇(t)和总力f_T(t) = f_e - Ku）预测大时间步长Δt下的顶点加速度。
• 将输入特征转换至局部坐标系，以提升泛化能力并增强对全局运动的不变性。
• 使用基于总拉格朗日显式动力学（TLED）FEM生成的合成数据集，材料模型为超弹性指数模型（Ψ = a/(2b)exp(b(I₁−3)) + d(J−1)）。
• 采用端到端训练方式，通过预测加速度与TLED模拟得到的真实加速度之间的回归损失进行优化。
• 将训练好的网络应用于Δt = 10dt、20dt、50dt和100dt的时间步长进行形变模拟，使用TLED进行‘预热’阶段以初始化系统状态。
• 采用二阶时间积分格式更新位移：u(t+Δt) = ü_Δt(t)·Δt² + 2u(t) - u(t−Δt)。

实验结果

研究问题

• RQ1 能否训练深度神经网络，直接预测软组织形变中的大时间步长加速度，从而绕过显式FEM的时间步长约束？
• RQ2 该学习模型在未见几何形状（如圆柱体、肝脏叶）和运动类型（扭转、拉伸、压缩）上的泛化能力如何，超出训练数据范围？
• RQ3 当模型超过显式FEM稳定性极限时，预测精度与时间步长大小之间的权衡关系如何？
• RQ4 在极端时间步长（如50dt、100dt）下，模型是否表现出稳定行为，而传统FEM无法收敛？
• RQ5 该模型在无需微调的情况下，能在多大程度上捕捉复杂材料行为（如Neo-Hookean响应）？

主要发现

• 在10倍原始时间步长（10dt）时，模型相对于FEM真实值的平均预测误差为0.017 mm ± 0.014（0.032），表现出高精度。
• 在20dt时，误差上升至2.10 mm ± 1.73（4.37），表明人工硬化现象开始出现，但模拟仍保持稳定。
• 在50dt和100dt的预测中，模型保持数值稳定且未发散，而参考FEM求解器则无法收敛。
• 在100dt时最大误差达到38.3 mm，主要源于累积的人工硬化，表明网络容量和训练数据多样性存在局限。
• 该模型在不同运动形式（扭转、拉伸、压缩）、几何形状（棒体、圆柱体、肝脏叶）和材料模型（指数型、Neo-Hookean）之间均表现出良好泛化能力。
• 结果表明，所提出的基于AI的求解器结合了显式FEM的可并行性与隐式FEM的稳定性，实现了大时间步长模拟。