《Biomedical Signal Processing and Control》：A novel approach to biomechanical modeling: CT image weight initialization and Physics Informed Neural Networks
編輯推薦：
研究人員針對現有生物力學分析方法中，小樣本隨機初始化易致局部最優解、單屬性分析導致應力偏差的問題，開展基于 CT 圖像權重初始化和物理信息神經網絡（PINN）的生物力學分析研究，實驗準確率達 91.09%，提升分析準確性，具重要意義。
在生物醫學領域，生物力學分析如同一位 “偵探”，致力于揭開生物體機械結構、功能和運動背后的秘密。以青少年特發性脊柱側凸（Adolescent Idiopathic Scoliosis，AIS）為例，這是一種復雜的三維脊柱畸形疾病。通過對脊柱進行 CT 掃描，借助生物力學分析構建應力分布地圖，就能夠精準定位高應力區域，從而深入了解脊柱在正常和患病狀態下的行為模式。
然而，當前的生物力學分析方法卻遭遇了重重困境。傳統的有限元法（Finite Element Method，FEM）雖穩定性強，但需要大量人工干預，且耗時極長，就像一個緩慢而繁瑣的工匠，效率低下。深度學習方法近年來雖嶄露頭角，但它也有自己的 “短板”，不僅可解釋性差，還常常忽略骨骼不同組成部分（如皮質骨和松質骨）的特性，而且為達到一定的泛化能力，需要海量的訓練數據，如同一個 “數據吞噬者”。
隨著物理信息神經網絡（Physics Informed Neural Networks，PINN）的興起，快速高效的生物力學分析模型成為了新的研究熱點。但現有的基于 PINN 的方法也存在兩大難題。一方面，小樣本隨機初始化容易陷入局部最優解。由于 CT 成像存在電離輻射，同一人的 CT 圖像數據集數量有限，小樣本數據難以涵蓋所有數據的變異性，使得模型極易出現過擬合，就像在迷宮中迷失方向，只能找到局部的 “小出口”，無法找到全局的 “最優解”。另一方面，單屬性分析會導致應力偏差。不同的骨骼成分具有不同的生物力學特性，若不能精細區分，整體的生物力學輸出就會像 “盲人摸象” 一樣不準確。
為了攻克這些難題，來自國內（文中提及研究受國家自然科學基金等國內項目支持，推測為國內研究團隊）的研究人員開展了一項極具創新性的研究。他們提出了一種全新的生物力學分析方法，旨在利用小樣本 CT 數據集獲取全局最優解，并實現對骨成分的自動區分。
研究人員主要運用了以下關鍵技術方法：一是設計基于脊柱 CT 圖像特征的初始化權重方法，借鑒洛書矩陣設計初始化權重矩陣，在弱監督模式下獲取全局最優解；二是基于 PINN 設計骨成分區分方法，通過設置不同的物理約束來監督局部特征獲取，從而區分不同骨成分的生物力學表現；三是將物理方程融入特征提取過程，在小數據樣本中實現高精度的特征提取。研究采用了三個醫學基準數據集（CSI2014、MICCAI2016、MICCAI2019）進行實驗。
下面來看看具體的研究結果：
- 全局最優解模塊：該模塊包含基于特定權重初始化的雙通道特征提取器，以 CT 圖像為輸入，能夠端到端地計算位移并輸出標簽序列，借助創新的初始化權重方法，成功避免了小樣本數據陷入局部最優解的問題。
- 物理約束監督模塊：利用位移 - 應變 - 應力方程，在物理約束下監督局部特征獲取。通過設計不同的物理約束，實現了對不同骨成分生物力學表現的有效區分，提升了局部特征獲取的準確性。
- 實驗驗證：在三個具有代表性的胸腰椎數據集上進行了大量實驗，結果令人矚目，該方法的準確率達到了 91.09%。從應力分析角度，對比該方法與有限元法，發現二者在應力值預測結果、峰值和變化趨勢分析上都極為接近，這表明該方法能夠為后續替代有限元法提供新的思路。
研究結論表明，該研究提出的生物力學分析模型，基于洛書矩陣設計洛書卷積神經網絡（CNN）進行初始權重分配，有效避免了局部最優解；結合 PINN 區分骨組織，實現了對不同材料的生物力學分析。
這項研究意義重大。它為生物力學分析領域帶來了新的曙光，提高了分析的準確性和效率，有助于更深入地理解骨骼的生物力學特性，為脊柱疾�。ㄈ� AIS）的診斷、治療和預防提供了更可靠的理論依據和技術支持。同時，該方法在其他涉及生物力學分析的醫學領域也具有廣闊的應用前景，有望推動整個生物醫學工程的發展。
