从低分辨率CT图像中对状骨的无otropic机械性能进行数据驱动的基于数据的表征

科学领域:

• 生物医学工程 生物医学工程
• 材料科学 材料科学 材料科学
• 医疗成像医学成像

背景情况:

• 取消性骨的异型机械行为对于体内生物机械分析至关重要.
• 低分辨率 (LR) 临床CT图像缺乏准确表征所需的微观结构细节.
• 现有的方法很难从临床成像数据中推导出复杂的机械性质.

研究的目的:

• 从LR临床CT图像中开发一种数据驱动的方法,准确地描述从LR临床CT图像中取消的骨的异型机械性质.
• 通过提取微观结构信息来克服LR成像的局限性.
• 为了使用现有临床数据进行体内生物机械分析.

主要方法:

• 在高分辨率 (HR) 微CT数据上训练了一台自动编码器,以提取微观结构特征.
• 开发了一个快速超分辨率 (FSR) 模型,将LR CT图像映射到HR微结构特征.
• 利用完全连接的神经网络从编码的特征预测弹性和织物张量.

主要成果:

• 数据驱动模型从LR CT图像 (0.6 mm/pixel) 中准确预测了弹性和织物张量.
• 证明了LR临床CT图像可以通过深度学习和提升样本产生微结构信息.
• 验证了生成性深度学习的能力,以重建微观结构数据.

结论:

• 取消性骨的临床医学图像可以用于复杂的机械性质分析.
• 拟议的数据驱动方法促进了实时骨缺陷诊断.
• 通过精确的机械性能评估,实现个性化的骨头假肢设计.