一种基于物理信息神经算子的骨组织力学分析方法、系统及设备

本发明属于医疗影像分析，尤其涉及一种基于物理信息神经算子的骨组织力学分析方法、系统及设备。

背景技术：

1、随着医学影像技术和数字化医疗的发展，基于ct影像的患者个体化骨力学分析在骨强度评价、骨折风险评估以及骨科手术术前规划等领域具有极其重要的临床应用价值。骨骼的力学响应（如内部应力、应变分布）与骨密度、骨小梁结构密切相关，准确获取这些力学参数对于理解骨质疏松、脊柱退变等疾病的发生发展机制具有关键意义。

2、目前，常规的骨力学分析方法主要依赖有限元分析（fea）。其具体过程为：首先提取患者ct影像，进行灰度分割；随后重建骨组织的三维几何模型，划分网格，并根据ct灰度与骨密度的映射关系为各单元赋予非均质的材料参数；最后设置生理载荷和边界条件，提交至abaqus等软件进行数值迭代求解。近年来，为了克服有限元分析在时效性上的瓶颈，人工智能技术被引入该领域，出现了基于深度神经网络、物理信息神经网络（pinn）以及神经算子（如傅里叶神经算子fno）的代理模型，用于学习从影像特征到力学响应的映射。

3、但是，上述现有技术手段存在明显缺陷：传统的有限元分析方法不仅需要繁琐的三维建模和网格划分流程，计算耗时较长，且对专业操作人员的建模经验要求极高，难以在临床场景中实现大规模、快速的普适性分析。同时，现有的大多数纯数据驱动ai模型高度依赖训练样本分布，预测结果往往不符合力平衡方程和边界条件等基本物理规律，泛化能力差；而现有的pinn方法多采用全连接网络，面对骨组织复杂的三维非均质空间特征时表达能力和计算效率严重受限；此外，神经算子（fno）在全局求解时，因保留有限频率模态，会在骨皮质边界和材料参数突变区域产生“平滑”效应，丢失高频位移细节，导致局部应力峰值预测不准，且无法有效兼顾载荷条件相关的局部残差修正。

技术实现思路

1、有鉴于此，本发明提供一种基于物理信息神经算子的骨组织力学分析方法、系统及设备，解决骨力学分析技术中在线建模复杂、计算效率低，且预测模型难以兼顾全局物理规律与局部结构突变细节的问题。

2、为了达到上述目的，第一方面，本发明解决技术问题的技术方案是提供一种基于物理信息神经算子的骨组织力学分析方法，包括：获取骨组织的ct影像数据，进行解剖朝向统一及重采样预处理，将处理后的ct灰度值转换为体素级材料参数并提取骨组织掩膜；基于所述体素级材料参数、所述骨组织掩膜以及设定的载荷场和边界条件场构建所述骨组织的有限元模型，并获取有限元参考解；基于所述ct影像数据的hu场、所述体素级材料参数、所述骨组织掩膜、所述载荷场及边界条件场，构建第一三维输入张量；将所述第一三维输入张量输入物理信息神经算子网络，通过所述物理信息神经算子网络中并行的傅里叶神经算子分支输出整体位移场，并通过三维卷积神经网络分支预测高频位移残差；根据hu梯度归一化场和骨组织边界指示场构建结构权重场，用于在材料参数突变区域及骨组织边界区域限定所述高频位移残差的空间作用区域，并将经加权后的高频位移残差叠加至所述整体位移场，得到预测位移场；基于所述预测位移场确定对应的力平衡方程残差和边界条件残差，结合所述有限元参考解、力平衡方程残差及边界条件残差，对所述物理信息神经算子网络进行训练；获取待分析骨组织的ct影像数据并构建第二三维输入张量，输入训练完成的所述物理信息神经算子网络得到预测的表观位移场，并根据所述表观位移场和所述体素级材料参数计算表观应变场及表观应力场进行输出。

3、在一种可能的实施例中，根据hu梯度归一化场和骨组织边界指示场构建结构权重场，包括：根据hu场确定结构梯度幅值，对所述结构梯度幅值进行归一化处理得到hu梯度归一化场；根据所述骨组织边界指示场和所述hu梯度归一化场确定所述结构权重场，表示为：

4、；

5、其中，表示hu梯度归一化场，表示骨组织边界指示场，及为非负权重；clip表示将计算结果截断限制在0至1的区间内。

6、在一种可能的实施例中，将处理后的ct灰度值转换为体素级材料参数并提取骨组织掩膜，包括：按照确定表观密度，并按照确定弹性模量；其中，表示表观密度，单位为g/cm3；e表示弹性模量，单位为mpa，并将泊松比设定为预设常数；将所述弹性模量和所述泊松比作为所述体素级材料参数；根据预处理后的ct灰度值进行hu阈值分割，将高于预设阈值的体素标记为骨组织，低于预设阈值的体素标记为背景，得到所述骨组织掩膜。

7、在一种可能的实施例中，结合所述有限元参考解、力平衡方程残差及边界条件残差，对所述物理信息神经算子网络进行训练，包括：采用所述有限元参考解构建监督预训练损失，对所述物理信息神经算子网络进行预训练；在所述预训练的基础上，加入所述力平衡方程残差、位移边界残差和牵引边界残差进行联合微调训练。

8、在一种可能的实施例中，基于所述体素级材料参数、所述骨组织掩膜以及设定的载荷场和边界条件场构建所述骨组织的有限元模型，并获取有限元参考解，包括：将统一朝向及重采样后的每一个有效骨组织体素转换为八节点六面体有限元单元；按照所述体素级材料参数将每个体素对应的弹性模量赋予其对应的所述八节点六面体有限元单元；施加所述边界条件场及所述载荷场对应的边界条件及载荷条件，通过有限元求解确定输出节点位移、单元应力和单元应变；其中，所述节点位移按照对应单元八个节点位移的算术平均值确定。

9、在一种可能的实施例中，施加的所述载荷条件包括：在500n至3000n范围内采样的轴向压缩载荷，以及叠加的前屈、后伸或剪切方向载荷。

10、在一种可能的实施例中，获取骨组织的ct影像数据，进行解剖朝向统一及重采样预处理，包括：将ct影像数据的三维hu体数据统一转换至预设标准解剖朝向；将朝向统一后的hu体数据重采样至与训练数据一致的等距体素间距；其中，hu体数据采用连续插值，骨组织掩膜采用最近邻插值。

11、第二方面，本发明提供一种基于物理信息神经算子的骨组织力学分析系统，包括：ct影像获取模块，用于获取骨组织的ct影像数据，进行解剖朝向统一及重采样预处理，将处理后的ct灰度值转换为体素级材料参数并提取骨组织掩膜；有限元求解模块，基于所述体素级材料参数、所述骨组织掩膜以及设定的载荷场和边界条件场构建所述骨组织的有限元模型，并获取有限元参考解；输入张量构建模块，基于所述ct影像数据的hu场、所述体素级材料参数、所述骨组织掩膜、所述载荷场及边界条件场，构建第一三维输入张量；神经算子预测模块，将所述第一三维输入张量输入物理信息神经算子网络，通过所述物理信息神经算子网络中并行的傅里叶神经算子分支输出整体位移场，并通过三维卷积神经网络分支预测高频位移残差；空间融合模块，根据hu梯度归一化场和骨组织边界指示场构建结构权重场，用于在材料参数突变区域及骨组织边界区域限定所述高频位移残差的空间作用区域，并将经加权后的高频位移残差叠加至所述整体位移场，得到预测位移场；物理约束训练模块，基于所述预测位移场确定对应的力平衡方程残差和边界条件残差，结合所述有限元参考解、力平衡方程残差及边界条件残差，对所述物理信息神经算子网络进行训练；在线预测输出模块，获取待分析骨组织的ct影像数据并构建第二三维输入张量，输入训练完成的所述物理信息神经算子网络得到预测的表观位移场，并根据所述表观位移场和所述体素级材料参数计算表观应变场及表观应力场进行输出。

12、第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现基于物理信息神经算子的骨组织力学分析方法。

13、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于物理信息神经算子的骨组织力学分析方法。

14、与现有技术相比，本发明的有益效果在于：

15、通过构建由傅里叶神经算子（fno）整体解算分支和三维卷积神经网络（cnn）局部残差分支并行的网络架构，并利用由hu梯度归一化场和骨组织边界指示场构建的结构权重场对cnn输出的高频位移残差进行空间加权限定，有效补偿了传统fno因频域截断导致骨边界及材料突变区域高频位移分量丢失的问题，提升了峰值应力及位移场的预测精度；同时，利用与规则体素一一对应的逐体素六面体有限元参考解并结合力平衡方程残差及边界条件残差对网络进行联合训练，使得在线预测阶段仅需输入ct影像进行一次前向推理即可输出体素尺度的表观力学响应，彻底摒弃了传统方法中繁琐的有限元建模与abaqus求解流程，且预测结果既满足力学控制方程又符合患者特异性材料分布，在保证力学一致性的前提下实现了骨力学分析的高效化、智能化和个体化。