《Journal of Microscopy》:Reduced order modelling of air-puff test for corneal material characterisation
编辑推荐:
研究人员分析了用于气脉冲测试的流体-结构相互作用(FSI)模型。利用Abaqus软件,将气脉冲测试应用于具有不同生物力学参数(如材料属性、角膜厚度和曲率半径)的眼睛。通过获取气流(一种湍流冲击射流)的降阶模型,将有限元分析(FEA)的模拟时间从FSI模型所需的
研究人员分析了用于气脉冲测试的流体-结构相互作用(FSI)模型。利用Abaqus软件,将气脉冲测试应用于具有不同生物力学参数(如材料属性、角膜厚度和曲率半径)的眼睛。通过获取气流(一种湍流冲击射流)的降阶模型,将有限元分析(FEA)的模拟时间从FSI模型所需的48小时缩短至约12分钟。为进一步加速模拟并提高模型精度,研究人员将物理信息神经网络(PINNs)与降阶模型相结合。这种混合方法有助于将模型扩展到更大的数据集,从而通过逆有限元分析(FEA)提高眼内压(IOP)估算精度和角膜材料属性算法的准确性。此外,研究人员提出了一种具有嵌入式高斯调制波形的神经网络(NN)框架,用于将角膜表面的压力和变形分布建模为时空参数的函数。通过学习角膜生物力学输入参数(如角膜中央厚度(CCT)、眼内压(IOP)和基线材料属性()与压力和变形控制系数之间的关系,该网络能够精确重构与高保真计算流体动力学(CFD)数据高度吻合的结果。该方法能够快速捕获压力和变形的分布情况,还能提供对压力和变形独特时空动态特性的洞察,从而更全面地理解气脉冲测试中的流体-结构相互作用现象。
## 基于气脉冲测试的角膜材料表征降阶建模研究解读
本研究聚焦于眼科非接触式气脉冲眼压测量技术的计算效率与精度提升问题,旨在开发一种能够快速、准确预测气脉冲作用下角膜压力与形变的高效计算模型,发表于《Journal of Microscopy》。
**研究背景与问题**
在眼科临床中,非接触式气脉冲眼压测试被广泛用于评估角膜生物力学特性与眼内压(IOP),这对于青光眼等疾病的早期诊断至关重要。然而,准确的IOP测量面临一个核心挑战:IOP与角膜自身的生物力学参数(如厚度、材料刚度)相互依赖、难以解耦。为了精确量化这种相互关系,必须考虑气脉冲与角膜之间的流体-结构相互作用(FSI)。传统的FSI耦合数值模拟虽然精度高,但计算成本极其高昂,一次患者特异性的模拟可能耗时长达48小时,这严重阻碍了其在临床个体化快速评估中的应用。因此,研究人员致力于开发一种替代传统耗时CFD模拟的高效机器学习(ML)算法,以降低计算成本,同时保持预测精度。
**研究工作与结论**
为解决上述问题,研究人员提出了一种创新的双层混合建模框架。首先,他们基于前期经过临床验证的FSI模型,生成了一系列涵盖不同IOP、角膜中央厚度(CCT)和年龄相关材料刚度系数(
)的数值模拟数据集。接着,他们采用梯度提升回归器(GBR)算法构建了一个替代模型,该模型并非直接求解流体力学方程,而是学习从上述输入参数到角膜表面压力分布之间的映射关系。验证结果表明,GBR模型在预测不同参数下的压力分布时,与高保真的CFD-FSI模拟结果高度一致,均方根误差(RMSE)低至约0.05-0.07,且单次预测计算时间从48小时骤降至约12分钟,计算效率提升超过99%。将该模型预测的压力载荷输入到纯有限元(FE)形变模型中,所得到的角膜形变预测与来自意大利和巴西的10例临床健康受试者数据表现出良好一致性,显著优于仅使用FE模型且采用经验压力载荷的传统方法。
为了进一步理解和重建压力与形变的复杂时空分布,研究人员创新性地提出了一种嵌入高斯调制波形的参数化神经网络(NN)框架。该网络以CCT、IOP和
作为输入,学习映射到五个控制压力/形变时空模式的物理参数(振幅、空间衰减、空间尺度、时间均值和时间标准差)。训练后的NN能够从这五个参数高精度重构出与原始CFD数据几乎一致的压力与形变时空场(平均决定系数R
2接近1)。该NN框架不仅加速了计算,其输出参数还具有明确的物理意义,例如时间参数揭示了压力和形变共享相似的动态时序,而空间参数则揭示了二者在空间衰减和尺度上的差异。研究最终证实,所提出的GBR与NN混合框架在大幅降低计算成本的同时,维持了与高保真模型相当的精度,并为理解角膜生物力学响应提供了新的物理洞见。
**主要关键技术方法**
本研究的数据集源于研究人员先前开发并验证的一个多物理场、全耦合的FSI数值模型,该模型模拟了Corvis-ST设备对眼球施加气脉冲测试的过程。核心计算方法采用Abaqus软件中的湍流求解器与有限元模型进行双向流固耦合,使用Spalart-Allmaras湍流模型和任意拉格朗日-欧拉(ALE)动网格技术。基于此FSI模型,研究人员通过系统改变IOP(10-25 mmHg)、CCT(445-645 μm)和材料刚度系数
(0.0328-0.1082)生成了17组参数化模拟数据。此外,研究使用了来自意大利Vincieye诊所和巴西里约热内卢角膜地形图与生物力学研究组的10例健康受试者临床数据进行外部验证,所有临床数据采集均符合赫尔辛基宣言伦理准则。
**研究结果详解**
* **3.1 角膜表面气压分布的估计**
研究人员首先利用生成的模拟数据集训练GBR模型,以评估其预测不同角膜参数组合下压力分布的能力。针对单独变化IOP、CCT或
的情景,训练后的GBR模型均能输出与原始CFD模型压力分布高度吻合的结果,整体平均绝对误差(MAE)约为0.02,均方根误差(RMSE)约为0.06,单次预测计算时间在10-12秒之间。结果表明,改变单一角膜参数会整体改变压力剖面,且峰值压力与参数变化之间不存在简单的单调关系,强调了综合考虑多个参数对准确预测的重要性。
* **3.2 GBR算法的验证**
为临床验证模型,研究人员使用10例健康患者的临床数据(参数各异)。首先用训练好的GBR算法为每例患者预测其特定的气脉冲压力分布,然后将该预测压力作为载荷施加于在Abaqus中建立的纯有限元(FE)眼球模型上,计算角膜形变。结果显示,与临床测量的角膜顶点形变随时间变化的数据相比,该“GBR预测压力+FE形变”混合模型的预测精度(平均RMSE约0.0826)显著优于仅使用FE模型并采用经验性统一压力载荷的传统方法(平均RMSE约0.453)。整个混合模型的计算流程(GBR预测+FE计算)总耗时约12分钟,相比完整的FSI耦合模拟(48小时),计算时间减少了约99.2%。对比图显示,无论是角膜顶点形变的时间历程,还是整个角膜的空间形变模式,混合模型的预测结果都与临床观测数据趋势一致,验证了该替代模型的可靠性。
* **3.3 神经网络方法的结果**
为进一步建立输入参数到压力/形变时空分布的直接映射,研究人员训练了提出的参数化神经网络。对于测试集中的多个代表性案例,由NN重构的压力和形变三维时空场与CFD参考数据几乎完全重叠,定量评估指标优异(压力:MAE约0.02,RMSE约0.05,R
2约0.97;形变:MAE约0.005,RMSE约0.015,R
2约0.98)。分析发现,压力和形变的五个参数化系数中,时间相关系数(时间均值和时间标准差)高度相似,表明二者具有共享的时序动态;而空间相关系数(空间衰减和空间尺度)则存在显著差异,表明它们在空间分布特性上不同。通过分析这些系数与生物力学输入参数(CCT, IOP,
)的相关性,发现网络学习到了具有物理可解释性的映射关系,例如压力振幅与IOP正相关,形变的空间衰减系数与CCT负相关等,证明了该NN框架在高效计算的同时保留了物理机制信息。
**讨论与结论总结**
本研究成功构建了一种将数据驱动建模与物理信息嵌入相结合的混合降阶建模框架。梯度提升回归器(GBR)作为高效的代理模型,能够快速再现原本需要昂贵CFD模拟才能获得的气脉冲压力分布;而新开发的参数化神经网络(NN)则进一步将这种能力扩展到对压力与形变时空模式的重建,并具备可解释性。研究人员指出,精确估计角膜上的气脉冲压力分布对于提高眼内压(IOP)测量的准确性至关重要,而本研究所提出的方法将计算时间从约48小时缩短至12分钟(降幅约99.2%),同时保持了与高保真FSI模型相当的精度。这一计算效率的突破有望推动通过分析更多具有个体化动态角膜地形的全眼模型,来优化IOP和应变应力指数(SSI)的参数方程。研究结论部分指出,本工作通过引入融合数据驱动与物理信息建模的双层替代方法,代表了对前期CFD-FSI建模框架的重大推进。所提出的NN框架被确立为一种计算高效且可解释的工具,用于分析眼科中的流体-结构相互作用。未来工作将致力于在该框架中整合物理信息神经网络(PINNs),利用物理控制方程进一步约束模型,并在包含更广泛角膜病理情况的多中心临床数据集上进行验证,以提升其在真实临床场景中的普适性与鲁棒性。