一种多层生物软组织压痕行为反演方法及系统

摘要: 本发明属于数据反演分析领域,具体来说,特别涉及一种多层生物软组织压痕行为反演方法及系统。背景技术:1、多层软组织是人体中常见的结构类型,如皮肤、血管壁、消化道管...
一种多层生物软组织压痕行为反演方法及系统

本发明属于数据反演分析领域,具体来说,特别涉及一种多层生物软组织压痕行为反演方法及系统。

背景技术:

1、多层软组织是人体中常见的结构类型,如皮肤、血管壁、消化道管壁、角膜等等。这些组织结构复杂,都具有多层结构,各层的结构组成和生理功能也存在差异,具有明显的特异性。以皮肤为例,皮肤作为一种典型的多层软组织,主要由表皮、真皮和皮下组织构成,表皮作为机体的第一道防线主要起保护和屏障作用,真皮为皮肤提供结构支撑,代谢活跃,皮下组织能够起到缓冲作用。多层结构为生命体实现复杂功能提供了保障,各层之间的互相影响也使得整体呈现出非线性、粘弹性和各向异性行为,同时也使得准确表征多层软组织中每一层的力学性质变得困难。

2、现有多层生物软组织压痕行为反演技术普遍存在不同力学参数量纲不统一引发的数据尺度干扰、模型训练障碍问题,存在实体压痕实验成本高昂、操作复杂、样本获取数量有限且类型单一的问题,同时难以贴合生物软组织真实分层结构特征,无法深度挖掘数据内在关联规律,普遍存在力学参数反演稳定性差、预测精度低,难以实现高效且可靠的多层生物软组织压痕行为定量反演的缺陷,即如何无损地、原位地表征多层生物软组织不同层组织的力学性质。

技术实现思路

1、针对相关技术中的问题,本发明提出一种多层生物软组织压痕行为反演方法及系统,以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题,本发明是通过以下技术方案实现的:

3、本发明为一种多层生物软组织压痕行为反演方法,包括:

4、定义参考剪切模量并构建双层物理模型,基于所述参考剪切模量以及双层物理模型并结合有限元建模生成数据集,所述数据集包括载荷-位移关系曲线拟合系数、表层组织与次表层组织交界面上对称轴处的法向位移、表层组织剪切模量以及次表层组织剪切模量对应的无量纲量;

5、基于所述数据集对量纲分析神经网络进行训练以及测试;所述网络包括编码器以及解码器;

6、所述编码器用于对无量纲输入特征进行分析,提取关键信息抽象为高阶特征向量;

7、所述解码器用于接收抽象特征向量,并将其映射为输出;

8、采用训练以及测试完成后的量纲分析神经网络进行多层生物软组织压痕行为反演;

9、其中,所述抽象特征向量为高阶特征向量经过量纲分析神经网络的隐藏层得到的;所述次表层组织表示表层组织下面的组织。

10、先定义参考剪切模量并构建双层物理模型,依托参考剪切模量与双层物理模型结合有限元建模构建数据集,数据集纳入载荷 - 位移关系曲线拟合系数、表层组织与次表层组织交界面上对称轴处的法向位移、表层组织剪切模量以及次表层组织剪切模量对应的无量纲量,通过引入无量纲量开展数据预处理,能够规避物理量纲差异带来的数据尺度干扰;随后利用该数据集完成量纲分析神经网络的训练与测试,该网络由编码器和解码器构成,编码器能够对无量纲输入特征开展分析并提取关键信息抽象为高阶特征向量,充分挖掘输入数据内部隐藏的关联规律,解码器接收抽象特征向量并完成映射输出,形成完整的特征提取与预测闭环;最终使用训练测试完毕的量纲分析神经网络开展多层生物软组织压痕行为反演,依托双层物理模型贴合生物软组织分层结构真实特征,有限元建模可以高效获取大量多样化样本,无需开展大量成本高昂、操作复杂的实体压痕实验,将量纲分析思路与神经网络相结合,消除不同力学参数量纲不统一造成的模型训练障碍,借助编码器与解码器的分工协作实现特征深度提取与精准预测,提升多层生物软组织力学参数反演过程的稳定性与预测精度,实现对多层生物软组织压痕行为高效、可靠的定量反演。

11、优选地,所述参考剪切模量为所有训练样本中表层组织与次表层组织剪切模量的平均值,表达式如下:

12、;

13、式中,表示参考剪切模量,表示总样本数,表示第i组表层组织剪切模量,表示第i组次表层组织剪切模量;

14、通过采用全样本平均值作为特征尺度之一,可以让无量纲输入和输出π组的数量级保持相近,有利于神经网络训练的数值稳定性,也能够同时考虑各层材料属性,避免模型过度依赖某一特定层的参数贡献。

15、优选地,所述构建双层物理模型的过程中包括对双层物理模型做出基本设定,得到设定后模型;

16、所述双层物理模型为基于表层组织以及次表层组织所构建;所述基本设定如下:

17、表层组织以及次表层组织都是均匀、各向同性且近似不可压缩的超弹性体,其力学行为能够用一阶ogden超弹性本构模型描述,以及次表层组织的底部与肌肉或骨骼牢固粘接,并设定为完全固定的边界,表层组织与次表层组织之间的界面无相对滑移。

18、优选地,所述一阶ogden超弹性本构模型的表达式如下:

19、;

20、其中,、、分别表示三个相互正交的方向上的主伸长率;表示剪切模量参数,表示无量纲非线性硬化指数,表示材料的压缩性系数,表示变形前后体积比;、、这三个参数共同决定了材料在变形过程中的应力-应变响应特征;所述三个方向三个相互正交的主方向;主方向定义:这是一个来自于连续介质力学中的概念。当一个物体发生变形时,我们可以在它内部的每一个点上,找到三个相互垂直的特殊方向。沿着这些方向,材料只发生纯粹的拉伸或压缩,而不产生剪切变形。物体沿着这些方向的伸长(或压缩)程度,就是主伸长率、、。

21、将所述无量纲非线性硬化指数以及材料的压缩性系数作为固定值,只将剪切模量参数作为反演的目标参数。

22、优选地,所述载荷-位移关系曲线拟合系数、表层组织与次表层组织交界面上对称轴处的法向位移构成无量纲输入π组,所述表层组织剪切模量以及次表层组织剪切模量对应的无量纲量构成无量纲输出π组;

23、所述无量纲输入π组以及无量纲输出π组的获取过程包括:

24、构建多组不同的表层组织剪切模量以及次表层组织剪切模量,得到有量纲输出特征,再基于参考剪切模量对有量纲输出特征进行无量纲化,得到无量纲输出π组;

25、采用有限元软件abaqus建立设定后模型的二维轴对称模型,基于所述无量纲输出π组以模拟压痕响应,得到无量纲输入π组;

26、所述二维轴对称模型的建立过程包括:

27、采用所述有限元软件abaqus建立具有轴对称几何特征的球形压头模型;将所述球形压头模型放置在所述设定后模型中双层结构的中心轴线上,使得球形压头模型施加的载荷沿轴线方向;同时设定所述球形压头模型与软组织上表面发生无摩擦接触以及设定所述设定后模型上表面平整且所述设定后模型的水平方向尺寸远大于压头尺寸;

28、其中,在模拟压痕响应的过程中,所述球形压头模型用于测量设定后模型中不同层软组织的力学性能,在测量所述设定后模型中不同层软组织的力学性能过程中基于球形压头模型获得载荷-位移关系曲线、表层组织与次表层组织交界面上对称轴处的法向位移,对所述载荷-位移关系曲线进行二次多项式拟合并提取拟合系数,将所述拟合系数以及法向位移作为压痕响应的特征量,得到有量纲输入特征,再基于参考剪切模量对有量纲输入特征进行无量纲化,得到无量纲输入π组;

29、设定后模型简化后,模型周向位移为零,所有物理量仅依赖于径向坐标和轴向坐标,所述双层物理模型的变形场和应力场均具有轴对称性,同时所述双层物理模型的材料的均匀性与各向同性也为材料的本构关系满足轴对称提供了条件,因此将设定后模型进行二维轴对称简化操作后可以大幅降低有限元计算成本;其中,采用球形压头模型的原因在于球形压头模型的接触应力相对均匀,可有效避免应力集中,其轴对称几何特征也为后续对设定后模型进行简化提供了便利。

30、优选地,所述测量设定后模型中不同层软组织的力学性能过程中的测量方法包括超声压痕法,所述力学性能包括力学响应与厚度信息;

31、所述超声压痕法通过在球形压头模型上集成超声换能器以及力传感器进行力学性能测量;其中,超声换能器用于实时测量各层软组织的厚度,力传感器用于记录压痕过程中的载荷变化。

32、优选地,所述获得载荷-位移关系曲线包括:

33、将所述球形压头模型以给定压痕深度垂直压入所述设定后模型的双层组织表面,同时记录球形压头模型所承受的反力,以获得载荷-位移关系曲线;

34、所述拟合公式如下:

35、;

36、其中,、、均为拟合系数,表示压痕深度,表示以压痕深度为自变量的载荷函数。

37、优选地,基于所述数据集对量纲分析神经网络进行训练以及测试,得到最终量纲分析神经网络;

38、所述最终量纲分析神经网络的输入为无量纲输入π组且输出为无量纲输出π组。

39、优选地,所述进行多层生物软组织压痕行为反演包括:

40、采用超声压痕进行压痕测试,采集载荷-位移曲线及上下层材料的厚度变化;

41、将载荷-位移曲线用二次曲线进行拟合,提取曲线特征,同时提取最大压深时,压头中心的所对应的垂直方向上表层组织和次表层组织的层厚特征;

42、将所述垂直方向上表层组织和次表层组织的层厚特征输入到最终量纲分析神经网络中,进行预测。

43、本发明还公开了一种多层生物软组织压痕行为反演系统,包括数据集构建模块,网络训练测试模块以及生物软组织压痕行为反演模块;

44、数据集构建模块,用于定义参考剪切模量并构建双层物理模型,并基于所述参考剪切模量以及双层物理模型构建数据集;

45、网络训练测试模块,用于对量纲分析神经网络进行训练以及测试,得到最终量纲分析神经网络;

46、生物软组织压痕行为反演模块,用于采用训练以及测试完成后的量纲分析神经网络进行多层生物软组织压痕行为反演。

47、本发明具有以下有益效果:

48、1.本发明中通过先定义参考剪切模量并构建双层物理模型,依托参考剪切模量与双层物理模型结合有限元建模构建数据集,数据集纳入载荷 - 位移关系曲线拟合系数、表层组织与次表层组织交界面上对称轴处的法向位移、表层组织剪切模量以及次表层组织剪切模量对应的无量纲量,通过引入无量纲量开展数据预处理,能够规避物理量纲差异带来的数据尺度干扰;随后利用该数据集完成量纲分析神经网络的训练与测试,该网络由编码器和解码器构成,编码器能够对无量纲输入特征开展分析并提取关键信息抽象为高阶特征向量,充分挖掘输入数据内部隐藏的关联规律,解码器接收抽象特征向量并完成映射输出,形成完整的特征提取与预测闭环;最终使用训练测试完毕的量纲分析神经网络开展多层生物软组织压痕行为反演,依托双层物理模型贴合生物软组织分层结构真实特征,有限元建模可以高效获取大量多样化样本,无需开展大量成本高昂、操作复杂的实体压痕实验,量纲分析思路与神经网络相结合,消除不同力学参数量纲不统一造成的模型训练障碍,借助编码器与解码器的分工协作实现特征深度提取与精准预测,提升多层生物软组织力学参数反演过程的稳定性与预测精度,实现对多层生物软组织压痕行为高效、可靠的定量反演。

49、2.本发明中通过设定后模型简化后,模型周向位移为零,所有物理量仅依赖于径向坐标和轴向坐标,变形场和应力场均具有轴对称性,同时材料的均匀性与各向同性也为材料的本构关系满足轴对称提供了条件,因此将设定后模型进行二维轴对称简化操作后可以大幅降低有限元计算成本;其中,采用球形压头模型的原因在于球形压头模型的接触应力相对均匀,可有效避免应力集中,其轴对称几何特征也为后续对设定后模型进行简化提供了便利。

50、3.本发明中通过设计dann的具体网络结构,在数据预处理阶段引入量纲分析原理构造无量纲π组,将输入与输出转换为无量纲量,从而将物理相似性原理引入编码器-解码器结构,进而通过神经网络自动构造更复杂的非线性无量纲π组。神经网络的输入为载荷-位移曲线的二次拟合系数和界面位移特征,输出为真皮剪切模量和皮下组织剪切模量。此外,搭建普通全连接网络作为对比参照。最后,用固定样本量进行对比实验。结果表明,dann对真皮和皮下组织剪切模量预测的r²分别达到0.9965和0.9993,比普通网络高出28.1%和3.2%,数据效率、泛化能力以及收敛速度均显著优于普通网络;该方法为利用压痕法测量多层生物软组织的力学性能提供了一种高效准确的反演方案。

51、当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。