|
编辑 | 杨梅 大脑的计算建模需要准确表示相关组织。人脑的机械测试面临着许多挑战，特别是对于低应变率，如神经外科，其中流体的重新分布在生物力学上很重要。 近日，来自国卡迪夫大学与布里斯托大学的研究人员发现，人脑对压力的反应类似于明胶，而且它比聚苯乙烯更容易分解。描述了使用磁共振成像（MRI）扫描数据训练机器学习算法，以更多地了解大脑对手术工具接触的反应。 研究人员表示：「据我们所知，这是第一项使用体内人体数据和重力载荷来估计颅内组织材料特性的研究。该模型现在可用于减少立体定向神经外科中脑位置偏移的影响。」 该研究以「In vivo measurement of human brain material properties under quasi-static loading」为题，发表在《Journal of The Royal Society Interface》上。  论文链接：https:///10.1098/rsif.2022.0557 基于有限元 (FE) 的人脑计算模型是一种越来越常见的研究工具，其应用范围从头部撞击到神经外科。考虑头部撞击的研究通常与创伤性脑损伤 (TBI) 相关，更好地了解其潜在机制对于制定预防措施至关重要。 研究表明，头部的重新定位会导致具有临床意义的脑深部移位。本研究的目的是通过计算模型更好地理解这一过程的机制，从而通过术前预测脑转移来改善立体定向手术的结果。通过非侵入性体内测量来识别大脑的材料特性对于许多其他应用也可能很有价值。 对于大脑，材料特性存在显着的应变率依赖性。人脑的机械测试面临着许多挑战。 显而易见的解决方案是在体内测试组织，尽管对活人进行侵入性机械测试存在明显的伦理问题。使用超声或磁共振弹性成像的剪切波弹性成像等方法越来越受欢迎；然而，这些仅在非常低的应变下得出剪切模量。 在这里，研究人员打算通过仅通过重力加载大脑来抵消传统测量技术的挑战，保持组织的自然状态，从而使用他们之前发布的 MRI 位移数据来识别组织的机械特性。 识别材料参数的最常见方法是「逆有限元」或「有限元模型更新」方法，其中构建实验模型并反复求解，以优化材料参数，最大限度地减少模型与实验之间的差异。 由于模型的大小和复杂性，研究人员采用高斯过程回归来消除对大量计算的需求。 有限元模型设计 为了重建所需的解剖结构，同时减轻受试者特定解剖结构（与材料相反）变化的影响，MNI 152 标准空间也被用作 FE 模型的基础几何结构。使用 Simpleware ScanIP（Synopsys，Mountain View，USA）执行图像分割并手动优化以去除质量差的元素。由于不可能在完全卸载状态下对大脑进行成像，因此蛛网膜下腔被分割成整个区域的最小厚度约为 2 毫米。这被认为接近「中立」立场。最终的分段几何结构由三个主要体积组成：大脑、合并的脑脊液（CSF）填充空间和合并的硬膜隔膜。使用 Tet4 元素在 ScanIP 中执行体积网格划分。最终模型包含 432 059 个大脑元素、367 752 个 CSF 元素和 376 309 个硬脑膜隔膜元素。  图 1：最终模型几何形状。（来源：论文） 选择 FEBio 进行有限元分析。导入体积网格后，使用 MATLAB（The MathsWorks Inc., Natrick, MA, USA）修改模型文件以生成软脑膜-蛛网膜复合体 (PAC)。脑膜是使用与大脑表面共享节点的二维壳单元生成的，厚度为 15 µm。生成了跨越软脑膜外表面节点和硬脑膜内表面节点的离散弹簧元件，以复制蛛网膜小梁，同时保留蛛网膜下腔以定义为与心室连续的流体层。假定蛛网膜粘附在硬脑膜上，因此被省略。 研究结果 为了更多地了解大脑的物理特性，研究人员扫描了面朝下躺在 MRI 机器中的志愿者的大脑，然后再次面朝上。这揭示了大脑在这种情况下是如何变形的。然后，他们根据结果数据训练机器学习算法。它比较了个体大脑物质的硬度水平，因为他们的大脑由于重力压力的变化而略微改变了形状。这使算法能够了解大脑在各种情况下的弹性。 首先分析了 11 个对象位移场的平均值。简而言之，位移在大脑深部最大，峰值幅度约为 1 毫米，减少到表面位移通常小于 0.5 毫米。  图 2：描绘大脑体积模量 (a)、剪切模量 (b) 和指数系数 (c)、软脑膜杨氏模量 (d) 和 PAC 纤维刚度 (e) 变化时的最小和最大全局误差比变化图。（来源：论文） 对于平均位移场，脑体积模量 (k)、剪切模量 (μ) 和硬化系数 (α)，pia mater 杨氏模量分别为模量 (E) 和 PAC 纤维刚度 (a)的值分别为 148 kPa、670 Pa、-19、1210 kPa 和 8.0 N m^-1。平均位移场的基线误差为 0.46 mm，预测残差为 0.19。还表明，一些参数集导致位移水平高于主题数据中的位移水平，全局误差率高达约 4.5。  图 3：箱线图显示每个测试参数的 11 个主题数据集的每一个获得的最佳值。（来源：论文） 软脑膜的刚度和 PAC 的平面外拉伸刚度分别获得了 1.2 MPa 和 7.7 kPa 数量级的值。位置性脑转移被发现是非刚性的，主要是由组织内液体的重新分布驱动的。 为了验证预测的最佳参数集，使用优化参数重新运行 FE 模型。结果显示有 0.29 mm 的残余误差，略大于预期。有限元模型中的峰值位移约为 0.5 毫米，位于深层结构内。  图 4：最终模型输出（蓝色）和平均受试者数据集（橙色）的位移场，俯卧位重新定位，在 10 毫米矢状（顶部）和轴向（底部）部分内展示。（来源：论文） 通过优化材料特性，可以更仔细地检查俯卧位重新定位的生物力学。大脑内的偏应力在 10 Pa 左右达到峰值，而体积应力在 1 kPa 左右达到峰值，根据方向在整个大脑中呈线性变化。使用优化后的模型，整个大脑的体积变化小于 1%；然而，具有高体积模量的模型的体积变化可以忽略不计。俯卧位的后部弹簧力和仰卧位的前部弹簧力峰值约为 0.2 mN，而对侧几乎没有贡献。软脑膜中的应力显示出相同的趋势，峰值应力约为 1 kPa。 研究人员还发现，大脑物质比聚苯乙烯泡沫包装更容易坍塌 10 倍。他们还发现，它抵抗将其推向一边的力的能力仅为普通橡胶块的千分之一。他们将其柔软度比作果冻。最后，他们发现将大脑各部分连接在一起的组织也很柔软，他们认为这可能是大自然防止大脑突然运动的方式。 该团队表示，他们的发现为神经学家提供了可能在外科手术中被证明有用的新信息，并指出他们对大脑部位脆弱性的测量远比通过尸体测试或切割罐中的标本所获得的精确得多。 参考内容：https:///news/2022-12-mri-scans-algorithm-human-brain.html |
|
|
