[发明专利]实时且准确的软组织变形预测

说明书

本发明涉及实时且准确的软组织变形预测。对于软组织变形预测，使用生物力学或其他组织相关的物理学模型来找到软组织的瞬时状态。应用机器学习的人工神经网络来根据瞬时状态预测体积元素（例如，网格节点）的位置。由于机器学习的人工神经网络可以快速预测（例如，在一秒或更短时间内），因此在给定瞬时状态的情况下实时地提供不同时间或另外的时间处的软组织位置，而无需数分钟的物理学模型计算。例如，提供了实时的生物力学解算器，允许与软组织模型的交互，同时仍获得准确的结果。该准确度允许生成具有更高准确度的软组织图像和/或允许实时用户交互的益处。

技术领域

本实施例涉及计算软组织变形，诸如用于医学成像、计算机动画或游戏。确定器官变形对于医学图像重建、医学图像配准、用于数据集成和结果预测的数字孪生建模、三维（3D）网格编辑、增强或虚拟现实或其他应用来说可能是重要的。

背景技术

软组织的生物力学模型（例如，作为先验或约束条件）可以为确定所述软组织在各种条件下（例如，受到比如压力或重力的外力、比如硬度或主动应力的内力等）的变形提供更现实可行的能力。在给定边界条件、外力、本构定律和模型参数的情况下，现有技术明确地使用有限元方法或其他积分方法来解算生物力学方程。虽然准确，但不幸的是这些方法比较耗时，需要几分钟到几小时的计算才能实现高保真的仿真。存在实时的解决方案（例如，质量弹簧或无网格模型），但其代价是准确度。

已探索了用于生物物理学仿真的基于机器学习或统计学习的方法，其主要用于计算流体动力学（CFD）。常用方法（例如，本征正交分解（POD））估计来自仿真数据库的解的子空间。在该子空间中解算CFD方程的解，并相应地重建最终解。该方法假设可以通过基函数的线性组合来重建解，而情况可能不是这样。结果，重建结果的准确度可能是次优的。已针对软组织力学以及其他物理学系统研究了类似方法。

提出了更复杂的数据驱动的技术，诸如基于基于粒子的解算器的用来实时解算用于流体仿真的CFD的随机森林法。在给定流体粒子及其直接邻域的固有性质的情况下，预测大时间步长处的加速度。该预测是回归模型，使用随机森林来表示并以数千次仿真来训练。该方法显示出快速的仿真性能。然而，它是特别为CFD问题量身定制的，不能直接应用于生物力学或软组织的其他建模：状态不同，软组织是具有不同硬度的固体材料，并且由于偏微分方程的硬度增加，解算器的稳定性更为关键且在生物力学中更加难以维持。特别地，随机森林法经受高频数值误差，这将使计算难以掌控。

用于快速计算可变形材料的模型降阶已被用于计算机图形学、流体仿真、视频游戏行业和计算机辅助设计中并具有良好结果。虽然这些方法对对象的变形空间执行模型降阶，但是较新的方法对对象的材料模型执行降阶。这些方法的使用范围尚未解决生理学上更准确且因此更加现实的生物力学模型。

发明内容

作为介绍，下面描述的优选实施例包括结合了有限元解算器和人工神经网络的用于软组织变形预测的方法、系统、指令和计算机可读介质。下面提出的实施例是针对生物力学系统描述的，但其也可以不失一般性地应用于其他生物生理学机制（例如电生理学、热传导等）。使用组织生物力学的有限元解算器（或其他类型的解算器或组织相关物理学）来估计在给定时间点处的组织的瞬时状态的表示。应用机器学习的人工神经网络来根据该瞬时状态预测每个体积元素（例如，网格节点）的下一位置。机器学习的网络可以预测在比解算器能够计算（受到Courant-Friedrichs-Lewy条件的限制）的更远的时间处的软组织位置，因此产生更快的计算，同时与使用小时间步长计算出的数值解一样准确。例如，提供了实时的生物力学解算器，从而允许与模型进行交互，同时仍获得准确的结果。