有限元法作为研究钝器致颅脑损伤机制的新方法,存在耗时长、专业性强等技术壁垒,影响其推广应用。基于此,本研究提出了一种基于卷积神经网络和有限元方法的棍棒类钝器致颅脑损伤的快速量化评价方法。该方法以有限元仿真中提取的棍棒类钝器速度曲线以及脑组织(大脑、胼胝体、小脑、脑干)最大主应变分别作为卷积神经网络的输入与输出参数,并通过十折交叉验证法训练并优化卷积神经网络,最终确定的卷积神经网络模型对大脑最大主应变预测结果的平均绝对误差(MAE)、均方误差(MSE)、拟合优度(R2)分别为0.084、0.014、0.92;对胼胝体最大主应变预测结果的MAE、MSE、R2分别为0.062、0.007、0.90;对小脑及脑干最大主应变预测结果的MAE、MSE、R2分别为0.075、0.011、0.94。预测结果显示,本研究开发的深度卷积神经网络,能够快速而准确地评估由棍棒类钝器打击引起的局部脑损伤,并对理解其造成的脑损伤与量化评价具有重要的应用价值。同时,该技术提高了计算效率,可为将当前基于加速度的脑损伤研究转变为关注局部脑组织损伤的研究提供依据。
引用本文: 李海岩, 李海防, 何光龙, 刘文港, 崔世海, 贺丽娟, 吕文乐, 潘建宇, 周亦武. 基于卷积神经网络和有限元法的棍棒类钝器致脑损伤评价方法研究. 生物医学工程学杂志, 2022, 39(2): 276-284. doi: 10.7507/1001-5515.202106087 复制
引言
颅脑是人体最重要的生命中枢,损伤后的致死率和致残率极高[1]。在法医学鉴定中,钝器打击是导致颅脑损伤的主要致伤因素之一,且棍棒类钝器是主要的致伤工具。目前对钝器致脑损伤的鉴定多依据鉴定人员的经验判断,这往往也会引起质疑,因此需要对其进行量化评价,用科学数据进行推断分析。
研究钝器打击致颅脑损伤的机制和对其量化评价,尸体实验是最直接有效的方法[2]。然而尸体实验会对实验样本产生较大破坏导致无法重复使用,并且实验样本的获取及伦理学要求使得实验开展的难度较大。医学影像技术的发展对创伤性脑损伤的研究有着重要的推动作用。但由于创伤性脑损伤病理改变的特殊性、微小性及弥漫性,医学影像常存在低估现象,即影像学表征与伤情常不一致[3];而且对于轻型创伤性脑损伤,即出现一定神经功能、认知或行为异常但无阳性影像学表现的症状,却又无法准确检测[4-5]。另外医学影像不能定量分析脑损伤,因此不能对钝器致脑损伤进行有效的量化评价。
随着有限元技术的发展,借助有限元手段进行生物力学研究的应用也越来越多。尤其是在颅脑损伤研究中最为广泛和深入,例如陈越等[6]和Li等[7]利用有限元技术研究了颅脑损伤机制。但是,有限元仿真实验需要大量的计算时间与高性能的工作站[8-9],并且需要操作人员具备一定的专业知识,这无疑限制了有限元技术在法医学领域的推广与应用。为了解决这一问题,一些用于预测脑损伤指标的简化物理模型被提出[10-12]。这些模型以头部运动学数据、相应的有限元仿真结果分别作为输入和输出,经过参数调整确定最优的模型,实现对脑损伤的量化评价。相比于传统的损伤标准,比如头部伤害指标(head injury criterion,HIC)、头部碰撞能量准则(head impact power,HIP)、头部损伤耐受度广义加速度准则(a generalized acceleration model for brain injury threshold,GAMBIT)[13-15],简化物理模型提升了模型的复杂度和精确度。但是,对于较大的应变冲击以及更加复杂的致伤因素,简化的物理模型预测精度会大幅降低。这是由于在较大冲击下未能捕获到明显的非线性关系所致[16]。另外,这些模型只能对脑组织进行整体性量化评价,并不能针对局部脑组织进行分析评估,因此对于局部脑损伤的量化评价不仅要提高计算效率,还必须注重预测精度。
近年来,卷积神经网络在生物力学中的应用也逐渐兴起。比如,使用卷积神经网络预测肌肉骨骼力和步态分析等[17-18]。但是,其在钝器伤预测方面的应用还未见报道。与上述使用简化物理模型的研究不同,本研究采用卷积神经网络对钝器打击下的局部脑损伤数据进行预测。卷积神经网络属于深度学习的一种,主要由输入层、卷积层、池化层、全连接层和输出层组成,现已广泛应用于医学图像处理和机器视觉系统中[19-20]。在图像处理时,图片由输入层输入卷积神经网络,经卷积层、池化层的交替操作进行特征提取以获取相邻像素、体素之间的结构信息[21-22],最后通过全连接层的非线性映射经由输出层输出。卷积神经网络通过模拟输入和输出之间的非线性关系,对复杂模型做出准确预测[23-24]。在实际应用时,使用训练完成且经过验证的卷积神经网络预测局部脑损伤时,只需几秒,甚至几十毫秒,并且使用普通电脑即可完成操作,提高了计算效率,节约了计算资源。
综上所述,本研究选择卷积神经网络算法和有限元技术相结合的方法预测钝器打击下的局部脑损伤,可将当前基于加速度的脑损伤研究转变为专注于区域性的脑损伤研究,对司法鉴定中颅脑钝器伤的量化评价、创伤性脑损伤机制研究、头部保护装置研发具有重要的应用价值。
1 方法
1.1 有限元仿真实验
钝器打击造成的脑损伤案例中,木质棍棒、铁质棍棒分别位于前两位。其余种类钝器占比较低,且不常见。因此,本文主要研究木质棍棒——圆木棍(round stick,RS)和铁质棍棒——钢管(steel pipe,SP)打击下的脑损伤预测。研究中采用了18种木质和10种铁质棍棒,相应结构参数如表1所示,其中Φ代表直径。
有限元仿真采用天津科技大学开发的中国50th百分位成人头部有限元模型[25]。此模型具有详细的解剖学结构,包括大脑、小脑、胼胝体、脑干等组织。通过再现经典Nahum等[26-27]尸体实验、Yoganandan等[28]跌落实验及公安部物证鉴定中心提供的真实钝器打击案例,对比仿真结果,验证本文模型的有效性。
有限元仿真初始条件设置为具有一定初速度的棍棒类钝器打击头部的不同部位。结合Koenig等[29]和Koike等[30]测得棒球棒的挥棒速度以及本研究前期实验测试的棍棒类钝器的挥棒速度,将棍棒类钝器的打击速度范围设定为10~30 m/s。仿真实验分别以10、15、20、25、30 m/s的速度打击头部前额、左前额、左顶骨、左后顶骨和后顶骨五个不同部位,如图1所示,共计28种钝器、5种速度、5个击打部位的700组打击实验以及公安部物证鉴定中心授权使用的非公开真实案例。Thibault[31]以及Takhounts等[32]提出了以脑组织最大主应变(maximum principal strain,MPS)为基准的脑损伤评价标准,并被广泛应用。因此本研究在有限元仿真中,提取大脑、胼胝体、小脑和脑干的MPS作为判断脑组织损伤的依据。
1.2 实验数据处理
为了保护卷积神经网络输入信息的完整性,在仿真实验中提取了钝器在全局坐标系下沿X、Y、Z方向的速度曲线。相比于提取钝器的合成速度,沿三个X、Y、Z方向的速度更能体现打击过程中钝器的空间信息。由于仿真时钝器与头部有限元模型的初始距离不尽相同,反映到速度曲线上则是打击开始的时间不同。而不同打击速度、不同类型的钝器与头部接触的时间也存在差异,但卷积神经网络需要固定的输入尺寸[23],因此需要对提取的速度曲线做进一步细化处理,如图2所示。首先,平移速度曲线使其具有一致的起始时间。其次,裁去仿真中钝器与头部脱离接触后的曲线,并以裁剪后最后一点的速度进行填充至2 ms。由于填充的速度曲线加速度为零,故不会影响最终结果[16]。最后,为降低卷积神经网络输入的图片尺寸和减少特征,将速度图片映射缩放,得到的映射图分为上、中、下三部分,分别为X轴向分量、Y轴向分量和Z轴向分量。
1.3 卷积神经网络结构与训练
本文以钝器沿X、Y、Z三个方向的速度合成图片、有限元仿真输出结果分别作为输入和输出训练卷积神经网络。最终,根据双通道卷积神经网络结构[33]、InceptionNet网络结构[34]以及研究经验,通过参数调整构建了三个卷积神经网络结构,并将其分别命名为串联型、并联型、混合型,如图3所示。图3中模型包含了卷积层、池化层、全连接层等卷积神经网络经典结构,其中数字代表了对应结构的大小与深度。
应用有限元仿真实验获得的数据作为训练卷积神经网络的数据集。由于数据规模较小,且为防止出现过拟合[35],卷积神经网络训练策略采用十折交叉验证法[36-37]。根据训练结果,选取了最优的卷积神经网络参数。卷积神经网络模型的预测结果评价采用平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)和拟合优度(goodness of fit,R2)。MAE和MSE是衡量预测值精度的2个常用指标,其值越小代表预测的精确度越高,但MSE受异常值的影响较大。R2体现了模型的拟合优度,变化范围在0~1之间,越接近1说明模型的拟合效果越好。因此,综合考虑MSE、MAE和R2值选取最优模型。
2 结果
2.1 大脑MPS预测结果
串联型、并联型和混合型卷积神经网络对大脑MPS的预测结果如图4所示。可以看出,相比于混合型和并联型,串联模型的MSE与MAE值最小,且R2值最大。在±0.1MAE范围内的点数,串联型模型最多,其值N为73。而在±0.2MAE范围内的点数,混合型模型最多,其N值为90。对于并联型模型,其各项指标均较差。
2.2 胼胝体MPS预测结果
串联型、并联型和混合型卷积神经网络对胼胝体MPS的预测结果如图5所示。可以看出,相比于串联型和并联型,混合型的MSE和MAE值最小,且R2值最大。在±0.075 MAE范围内的点数,并联型模型最多,其值N为73。而在±0.15 MAE范围内的点数,混合型模型与串联型模型相等,其值N均为90。并联型模型的各项参数均较差。
2.3 小脑和脑干MPS预测结果
串联型、并联型和混合型卷积神经网络对小脑及脑干MPS的预测结果如图6所示。可以看出,相比于混合型和并联型模型,串联型模型的MAE与MSE值最小,且R2最大。在±0.1 MAE内的点数,混合型模型最多,其值N为75。而在±0.2 MAE范围内的点数,串联型和混合型模型最多,其值N均为93。相比之下,并联型模型结果较差。
3 讨论
考虑到法医鉴定中多种不同的打击部位和打击速度等复杂多变的现实因素,本研究设计了28种棍棒类钝器以5种速度打击头部有限元模型5个不同部位的700组仿真实验。在数据处理时,截取了钝器速度曲线中与脑组织损伤联系最为密切的部分,并在后续填充了恒定速度值,但这并不会影响卷积神经网络的最终预测结果。因为在加速度为0时,钝器与头部有限元模型之间并不会产生相互作用力。
不同脑组织的最优模型以及预测精度如表2所示。从大脑MPS的预测结果来看,串联模型的预测结果最优。对于胼胝体、小脑及脑干MPS的预测,混合和串联模型分别位于第一位。而且可以看出局部脑组织MPS的预测结果中R2最低为0.90,这证明了所设计的卷积神经网络能够较为准确地反应出有限元仿真结果。相比之下,并联模型对大脑、胼胝体、小脑及脑干的预测结果均较差,可能的原因是两个通道学习到的特征一致,并未显著增加有效特征量。
通过预测结果可以看出,经过复杂训练的卷积神经网络完全可以满足对于预测精度的要求。然而在保持头部损伤模型的复杂性和响应输出准确性的同时,提高计算效率对于未来的推广应用至关重要。在这项研究中,本文提出的卷积神经网络方法以学习非线性冲击—应变关系为目的,而无需简化冲击运动输入、头部损伤模型或响应输出[10-12, 38]。从高端工作站上一组仿真实验耗时平均2 h到笔记本电脑上50 ms左右的计算速度,计算效率有了显著提高。同时对于大应变冲击,卷积神经网络预测值的MAE值仍在0.09以内,突出了该技术的稳定性以及优越的实际应用前景。然而,以数据为驱动的钝器伤卷积神经网络技术无法解决大脑生物力学反应背后的物理问题。但是,作为一种快速准确的钝器伤局部脑部应变预测器,可以使其他非专业人员有效地获取钝器打击下的脑组织响应数据。
有限元技术与深度学习的结合不仅促进了有限元的发展,而且扩展了深度学习的应用领域。文中局部脑组织应变的预测精度依赖于有限元模型、卷积神经网络结构以及训练方法。卷积神经网络的训练方法已日趋完善。因此,提高局部脑应变的预测精度将主要依赖于未来有限元技术的进步和深度学习理论的发展。
本研究现阶段主要探索卷积神经网络算法和有限元技术在法医学研究领域中的应用方法,因此以有限元仿真实验结果作为训练的输入参数,后续的研究仍需将实际案例与有限元仿真更好地结合,以提高神经网络算法的精度,为法医学量化评价方法的推广应用奠定科学依据。尽管目前采用的有限元模型具有详细的头部解剖学结构特征,并通过对比实验验证了模型的有效性。但研究中仅采用了50th百分位头部有限元模型,未来其他百分位的成人和儿童有限元模型将加入仿真计算中,以扩大样本的应用范围,比如95th百分位和5th百分位的有限元模型[39-40]。本研究重点使用的是头部有限元模型来塑造钝器致脑损伤卷积神经网络,而在其他领域的应用仍值得研究扩展,例如在汽车碰撞中的行人保护等[41-42]。最后,本文采用的钝器类型并没有覆盖所有钝器,仅限于常见的棍棒类钝器,后续会进一步拓展其他种类的钝器,提高研究结果的推广应用范围。
4 结论
本研究开发了一个深度卷积神经网络,其通过复杂训练能够快速而准确地评估由棍棒打击引起的局部脑损伤。该技术不需要简化冲击运动学输入、头部损伤模型和响应输出,并且对于大应变冲击、针对特定区域的脑应变预测更为有效。同时,可以使复杂的头部损伤模型能够及时甚至在便携式移动设备上产生特定区域的大脑应变响应,大大节约了计算资源。该技术可以将当前基于加速度的脑损伤研究转变为专注于区域性的脑损伤研究,对棍棒类钝器打击造成的脑损伤量化评价方法研究、创伤性脑损伤机制研究和头部保护装置研发具有重要的应用价值。
重要声明
利益冲突声明:本文全体作者均声明不存在利益冲突。
作者贡献声明:李海岩、崔世海、何光龙主要负责项目主持、平台搭建、算法程序设计、协调沟通以及计划安排;李海防、刘文港、潘建宇主要负责实验流程、数据记录与分析、算法程序设计;贺丽娟、吕文乐主要负责提供实验指导,数据分析指导,论文审阅修订,周亦武主要负责伦理和数据分析指导。
伦理声明:本研究通过了华中科技大学同济医学院伦理委员会的审批(批文编号:[2012]伦审字(S398)号)。
引言
颅脑是人体最重要的生命中枢,损伤后的致死率和致残率极高[1]。在法医学鉴定中,钝器打击是导致颅脑损伤的主要致伤因素之一,且棍棒类钝器是主要的致伤工具。目前对钝器致脑损伤的鉴定多依据鉴定人员的经验判断,这往往也会引起质疑,因此需要对其进行量化评价,用科学数据进行推断分析。
研究钝器打击致颅脑损伤的机制和对其量化评价,尸体实验是最直接有效的方法[2]。然而尸体实验会对实验样本产生较大破坏导致无法重复使用,并且实验样本的获取及伦理学要求使得实验开展的难度较大。医学影像技术的发展对创伤性脑损伤的研究有着重要的推动作用。但由于创伤性脑损伤病理改变的特殊性、微小性及弥漫性,医学影像常存在低估现象,即影像学表征与伤情常不一致[3];而且对于轻型创伤性脑损伤,即出现一定神经功能、认知或行为异常但无阳性影像学表现的症状,却又无法准确检测[4-5]。另外医学影像不能定量分析脑损伤,因此不能对钝器致脑损伤进行有效的量化评价。
随着有限元技术的发展,借助有限元手段进行生物力学研究的应用也越来越多。尤其是在颅脑损伤研究中最为广泛和深入,例如陈越等[6]和Li等[7]利用有限元技术研究了颅脑损伤机制。但是,有限元仿真实验需要大量的计算时间与高性能的工作站[8-9],并且需要操作人员具备一定的专业知识,这无疑限制了有限元技术在法医学领域的推广与应用。为了解决这一问题,一些用于预测脑损伤指标的简化物理模型被提出[10-12]。这些模型以头部运动学数据、相应的有限元仿真结果分别作为输入和输出,经过参数调整确定最优的模型,实现对脑损伤的量化评价。相比于传统的损伤标准,比如头部伤害指标(head injury criterion,HIC)、头部碰撞能量准则(head impact power,HIP)、头部损伤耐受度广义加速度准则(a generalized acceleration model for brain injury threshold,GAMBIT)[13-15],简化物理模型提升了模型的复杂度和精确度。但是,对于较大的应变冲击以及更加复杂的致伤因素,简化的物理模型预测精度会大幅降低。这是由于在较大冲击下未能捕获到明显的非线性关系所致[16]。另外,这些模型只能对脑组织进行整体性量化评价,并不能针对局部脑组织进行分析评估,因此对于局部脑损伤的量化评价不仅要提高计算效率,还必须注重预测精度。
近年来,卷积神经网络在生物力学中的应用也逐渐兴起。比如,使用卷积神经网络预测肌肉骨骼力和步态分析等[17-18]。但是,其在钝器伤预测方面的应用还未见报道。与上述使用简化物理模型的研究不同,本研究采用卷积神经网络对钝器打击下的局部脑损伤数据进行预测。卷积神经网络属于深度学习的一种,主要由输入层、卷积层、池化层、全连接层和输出层组成,现已广泛应用于医学图像处理和机器视觉系统中[19-20]。在图像处理时,图片由输入层输入卷积神经网络,经卷积层、池化层的交替操作进行特征提取以获取相邻像素、体素之间的结构信息[21-22],最后通过全连接层的非线性映射经由输出层输出。卷积神经网络通过模拟输入和输出之间的非线性关系,对复杂模型做出准确预测[23-24]。在实际应用时,使用训练完成且经过验证的卷积神经网络预测局部脑损伤时,只需几秒,甚至几十毫秒,并且使用普通电脑即可完成操作,提高了计算效率,节约了计算资源。
综上所述,本研究选择卷积神经网络算法和有限元技术相结合的方法预测钝器打击下的局部脑损伤,可将当前基于加速度的脑损伤研究转变为专注于区域性的脑损伤研究,对司法鉴定中颅脑钝器伤的量化评价、创伤性脑损伤机制研究、头部保护装置研发具有重要的应用价值。
1 方法
1.1 有限元仿真实验
钝器打击造成的脑损伤案例中,木质棍棒、铁质棍棒分别位于前两位。其余种类钝器占比较低,且不常见。因此,本文主要研究木质棍棒——圆木棍(round stick,RS)和铁质棍棒——钢管(steel pipe,SP)打击下的脑损伤预测。研究中采用了18种木质和10种铁质棍棒,相应结构参数如表1所示,其中Φ代表直径。
有限元仿真采用天津科技大学开发的中国50th百分位成人头部有限元模型[25]。此模型具有详细的解剖学结构,包括大脑、小脑、胼胝体、脑干等组织。通过再现经典Nahum等[26-27]尸体实验、Yoganandan等[28]跌落实验及公安部物证鉴定中心提供的真实钝器打击案例,对比仿真结果,验证本文模型的有效性。
有限元仿真初始条件设置为具有一定初速度的棍棒类钝器打击头部的不同部位。结合Koenig等[29]和Koike等[30]测得棒球棒的挥棒速度以及本研究前期实验测试的棍棒类钝器的挥棒速度,将棍棒类钝器的打击速度范围设定为10~30 m/s。仿真实验分别以10、15、20、25、30 m/s的速度打击头部前额、左前额、左顶骨、左后顶骨和后顶骨五个不同部位,如图1所示,共计28种钝器、5种速度、5个击打部位的700组打击实验以及公安部物证鉴定中心授权使用的非公开真实案例。Thibault[31]以及Takhounts等[32]提出了以脑组织最大主应变(maximum principal strain,MPS)为基准的脑损伤评价标准,并被广泛应用。因此本研究在有限元仿真中,提取大脑、胼胝体、小脑和脑干的MPS作为判断脑组织损伤的依据。
1.2 实验数据处理
为了保护卷积神经网络输入信息的完整性,在仿真实验中提取了钝器在全局坐标系下沿X、Y、Z方向的速度曲线。相比于提取钝器的合成速度,沿三个X、Y、Z方向的速度更能体现打击过程中钝器的空间信息。由于仿真时钝器与头部有限元模型的初始距离不尽相同,反映到速度曲线上则是打击开始的时间不同。而不同打击速度、不同类型的钝器与头部接触的时间也存在差异,但卷积神经网络需要固定的输入尺寸[23],因此需要对提取的速度曲线做进一步细化处理,如图2所示。首先,平移速度曲线使其具有一致的起始时间。其次,裁去仿真中钝器与头部脱离接触后的曲线,并以裁剪后最后一点的速度进行填充至2 ms。由于填充的速度曲线加速度为零,故不会影响最终结果[16]。最后,为降低卷积神经网络输入的图片尺寸和减少特征,将速度图片映射缩放,得到的映射图分为上、中、下三部分,分别为X轴向分量、Y轴向分量和Z轴向分量。
1.3 卷积神经网络结构与训练
本文以钝器沿X、Y、Z三个方向的速度合成图片、有限元仿真输出结果分别作为输入和输出训练卷积神经网络。最终,根据双通道卷积神经网络结构[33]、InceptionNet网络结构[34]以及研究经验,通过参数调整构建了三个卷积神经网络结构,并将其分别命名为串联型、并联型、混合型,如图3所示。图3中模型包含了卷积层、池化层、全连接层等卷积神经网络经典结构,其中数字代表了对应结构的大小与深度。
应用有限元仿真实验获得的数据作为训练卷积神经网络的数据集。由于数据规模较小,且为防止出现过拟合[35],卷积神经网络训练策略采用十折交叉验证法[36-37]。根据训练结果,选取了最优的卷积神经网络参数。卷积神经网络模型的预测结果评价采用平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)和拟合优度(goodness of fit,R2)。MAE和MSE是衡量预测值精度的2个常用指标,其值越小代表预测的精确度越高,但MSE受异常值的影响较大。R2体现了模型的拟合优度,变化范围在0~1之间,越接近1说明模型的拟合效果越好。因此,综合考虑MSE、MAE和R2值选取最优模型。
2 结果
2.1 大脑MPS预测结果
串联型、并联型和混合型卷积神经网络对大脑MPS的预测结果如图4所示。可以看出,相比于混合型和并联型,串联模型的MSE与MAE值最小,且R2值最大。在±0.1MAE范围内的点数,串联型模型最多,其值N为73。而在±0.2MAE范围内的点数,混合型模型最多,其N值为90。对于并联型模型,其各项指标均较差。
2.2 胼胝体MPS预测结果
串联型、并联型和混合型卷积神经网络对胼胝体MPS的预测结果如图5所示。可以看出,相比于串联型和并联型,混合型的MSE和MAE值最小,且R2值最大。在±0.075 MAE范围内的点数,并联型模型最多,其值N为73。而在±0.15 MAE范围内的点数,混合型模型与串联型模型相等,其值N均为90。并联型模型的各项参数均较差。
2.3 小脑和脑干MPS预测结果
串联型、并联型和混合型卷积神经网络对小脑及脑干MPS的预测结果如图6所示。可以看出,相比于混合型和并联型模型,串联型模型的MAE与MSE值最小,且R2最大。在±0.1 MAE内的点数,混合型模型最多,其值N为75。而在±0.2 MAE范围内的点数,串联型和混合型模型最多,其值N均为93。相比之下,并联型模型结果较差。
3 讨论
考虑到法医鉴定中多种不同的打击部位和打击速度等复杂多变的现实因素,本研究设计了28种棍棒类钝器以5种速度打击头部有限元模型5个不同部位的700组仿真实验。在数据处理时,截取了钝器速度曲线中与脑组织损伤联系最为密切的部分,并在后续填充了恒定速度值,但这并不会影响卷积神经网络的最终预测结果。因为在加速度为0时,钝器与头部有限元模型之间并不会产生相互作用力。
不同脑组织的最优模型以及预测精度如表2所示。从大脑MPS的预测结果来看,串联模型的预测结果最优。对于胼胝体、小脑及脑干MPS的预测,混合和串联模型分别位于第一位。而且可以看出局部脑组织MPS的预测结果中R2最低为0.90,这证明了所设计的卷积神经网络能够较为准确地反应出有限元仿真结果。相比之下,并联模型对大脑、胼胝体、小脑及脑干的预测结果均较差,可能的原因是两个通道学习到的特征一致,并未显著增加有效特征量。
通过预测结果可以看出,经过复杂训练的卷积神经网络完全可以满足对于预测精度的要求。然而在保持头部损伤模型的复杂性和响应输出准确性的同时,提高计算效率对于未来的推广应用至关重要。在这项研究中,本文提出的卷积神经网络方法以学习非线性冲击—应变关系为目的,而无需简化冲击运动输入、头部损伤模型或响应输出[10-12, 38]。从高端工作站上一组仿真实验耗时平均2 h到笔记本电脑上50 ms左右的计算速度,计算效率有了显著提高。同时对于大应变冲击,卷积神经网络预测值的MAE值仍在0.09以内,突出了该技术的稳定性以及优越的实际应用前景。然而,以数据为驱动的钝器伤卷积神经网络技术无法解决大脑生物力学反应背后的物理问题。但是,作为一种快速准确的钝器伤局部脑部应变预测器,可以使其他非专业人员有效地获取钝器打击下的脑组织响应数据。
有限元技术与深度学习的结合不仅促进了有限元的发展,而且扩展了深度学习的应用领域。文中局部脑组织应变的预测精度依赖于有限元模型、卷积神经网络结构以及训练方法。卷积神经网络的训练方法已日趋完善。因此,提高局部脑应变的预测精度将主要依赖于未来有限元技术的进步和深度学习理论的发展。
本研究现阶段主要探索卷积神经网络算法和有限元技术在法医学研究领域中的应用方法,因此以有限元仿真实验结果作为训练的输入参数,后续的研究仍需将实际案例与有限元仿真更好地结合,以提高神经网络算法的精度,为法医学量化评价方法的推广应用奠定科学依据。尽管目前采用的有限元模型具有详细的头部解剖学结构特征,并通过对比实验验证了模型的有效性。但研究中仅采用了50th百分位头部有限元模型,未来其他百分位的成人和儿童有限元模型将加入仿真计算中,以扩大样本的应用范围,比如95th百分位和5th百分位的有限元模型[39-40]。本研究重点使用的是头部有限元模型来塑造钝器致脑损伤卷积神经网络,而在其他领域的应用仍值得研究扩展,例如在汽车碰撞中的行人保护等[41-42]。最后,本文采用的钝器类型并没有覆盖所有钝器,仅限于常见的棍棒类钝器,后续会进一步拓展其他种类的钝器,提高研究结果的推广应用范围。
4 结论
本研究开发了一个深度卷积神经网络,其通过复杂训练能够快速而准确地评估由棍棒打击引起的局部脑损伤。该技术不需要简化冲击运动学输入、头部损伤模型和响应输出,并且对于大应变冲击、针对特定区域的脑应变预测更为有效。同时,可以使复杂的头部损伤模型能够及时甚至在便携式移动设备上产生特定区域的大脑应变响应,大大节约了计算资源。该技术可以将当前基于加速度的脑损伤研究转变为专注于区域性的脑损伤研究,对棍棒类钝器打击造成的脑损伤量化评价方法研究、创伤性脑损伤机制研究和头部保护装置研发具有重要的应用价值。
重要声明
利益冲突声明:本文全体作者均声明不存在利益冲突。
作者贡献声明:李海岩、崔世海、何光龙主要负责项目主持、平台搭建、算法程序设计、协调沟通以及计划安排;李海防、刘文港、潘建宇主要负责实验流程、数据记录与分析、算法程序设计;贺丽娟、吕文乐主要负责提供实验指导,数据分析指导,论文审阅修订,周亦武主要负责伦理和数据分析指导。
伦理声明:本研究通过了华中科技大学同济医学院伦理委员会的审批(批文编号:[2012]伦审字(S398)号)。