A physics-informed neural network for improving surface reconstruction of intracranial saccular aneurysms via variational membrane equilibrium

ملخص تقني: الشبكة العصبية الموجهة بالفيزياء لإعادة بناء تمدد الأوعية الدموية السحائي داخل الجمجمة

بيان المشكلة
تشكل تمددات الأوعية الدموية السحائية داخل الجمجمة (ISAs) خطراً صحياً كبيراً، ومع ذلك فإن التقييم الحالي لمخاطر التمزق لكل مريض على حدة يظل محدوداً بسبب دقة إعادة بناء السطح المستمدة من التصوير السريري (CTA/MRA). تعتمد خطوط معالجة إعادة البناء التقليدية على تقنيات التنعيم الرياضي، مثل معايير منحنى L (L-curve) والترشيح لابسليان المنفصل (discrete Laplacian filtering)، لقمع ضجيج التصوير. ومع ذلك، فإن هذه الطرق تعامل المناطق ذات الانحناء العالي كضجيج بشكل عشوائي، مما يؤدي إلى محو السمات المرضية الحقيقية مثل "النتوءات" (blebs) المعرضة للتمزق، بينما تفشل في التمييز بينها وبين العيوب المقعرة غير الفيزيائية الناتجة عن قيود الأجهزة (مثل تأثيرات الحجم الجزئي) وخوارزميات ما بعد المعالجة. تُدخل هذه العيوب الهندسية تركيزات إجهاد زائفة في عمليات المحاكاة الميكانيكية الحيوية اللاحقة، مما يفسد تشخيصات خطر التمزق. علاوة على ذلك، تفتقر النهج الحالية إلى آلية فيزيائية للتمييز بين الأسطح الناعمة رياضياً وتلك التي تستوفي التوازن الميكانيكي الحيوي المطلوب لجدار وعائي تحت الضغط.

المنهجية
يقترح المؤلفون إطار عمل يعتمد على الشبكة العصبية الموجهة بالفيزياء (PINN) يدمج تمثيلات أسطح B-spline مع الميكانيكا التباينية لإعادة بناء هندسة تمدد الأوعية الدموية (ISA). تسير سير العمل كما يلي:

1. الحصول على البيانات والبارامترية: يتم تقسيم بيانات MRA/CTA السريرية لاستخراج سحابة نقاط منفصلة. يتم رسم هذه البيانات غير المهيكلة في نطاق بارامتري مهيكل (u, v) باستخدام خوارزمية محاذاة مدفوعة بالناظم (normal-driven alignment) وأخذ عينات شبكية، مما ينتج عنه تنسور مكاني ثلاثي القنوات.
2. توليد الخط المرجعي: يتم ملاءمة سطح NURBS منخفض الدقة للبيانات لتوليد نقاط تحكم كبرى (macro control points). يتم رفع عينات هذه النقاط عبر الاستيفاء ثنائي التكعيب (bicubic interpolation) لإنشاء خط مرجعي عالي الدقة ($P_{base}$) لعملية الصقل الدقيق.
3. الشبكة العصبية التلافيفية المتسقة مع المتشعب (Manifold-Consistent CNN): تعمل شبكة عصبية تلافيفية (CNN) كـ "أنساط" (ansatz) غير خطي للتنبؤ بمجال إزاحة نقاط التحكم ($d$). بخلاف الشبكات التلافيفية القياسية، تستخدم هذه البنية مخطط "الحشو المتسق مع المتشعب" (Manifold-Consistent Padding). يحترم هذا الحالح المخصص القيود الطوبولوجية للسطح الوعائي المغلق: فهو يفرض الدورية عند الدرز المحيطي ($u=0, 1$)، ويتعامل مع تقارب الأقطاب المنفردة عند قمة القبة ($v=0$)، ويطبق الاستكمال التكعيبي عند حدود العنق المفتوح ($v=1$).
4. دالة الخسارة الموجهة بالفيزياء: يتم تحسين الشبكة عبر الانتشار العكسي باستخدام دالة خسارة مركبة ($L_{total}$) توازن بين ثلاثة مكونات:
   • دقة البيانات ($L_{data}$): تقلل متوسط مربع الخطأ بين سطح NURS المعاد بناؤه وسحابة النقاط المقاسة.
   • التوازن التبايني ($L_{equil}$): يدمج شرط الثبات للطاقة الكلية ($\delta\Pi = 0$) كقيد موجه بالفيزياء. يفرض هذا المصطلح توازن غشاء لابلاس ($\kappa_1 T_1 + \kappa_2 T_2 = P$)، مما يضمن أن السطح المعاد بناؤه يمكنه تحمل الضغط عبر الغشائي. يعمل هذا بفعالية على تصفية العيوب المقعرة غير الفيزيائية (حيث يكون متوسط الانحناء $H < 0$) مع الحفاظ على السمات عالية الانحناء الحقيقية التي تحقق التوازن الميكانيكي.
   • قمع المماس ($L_{tang}$): يعاقب إزاحة نقاط التحكم على طول المستوى المماسي، مما يضمن أن التحديثات تحدث حصرياً في الاتجاه العمودي (الناظم) لإحداث تغييرات شكلية فيزيائية بدلاً من مجرد إعادة التوصيف (reparameterization).

المساهمات الرئيسية
حدد البحث ثلاث مساهمات رئيسية:

1. التمييز بين العيوب القائم على الميكانيكا الحيوية: يستبدل الإطار معيار منحنى L الرياضي بخسارة توازن تبايني ($\delta\Pi = 0$). يسمح هذا للنظام بالتمييز بين عيوب التصوير (التي لا تستطيع تحمل الضغط عبر الغشائي) والسمات المرضية الحقيقية (النتوءات) بناءً على القابلية الفيزيائية بدلاً من النعومة الهندسية.
2. أنساط CNN المتسق مع المتشعب: تطوير بنية CNN متخصصة تحافظ على طوبولوجيا السطح المغلق للهياكل الوعائية من خلال عمليات حشو مخصعة، مما يعالج الانقطاعات المتأصلة في تسطيح المتشعبات ثلاثية الأبعاد إلى شبكات بارامترية ثنائية الأبعاد.
3. إعادة البناء المدفوع بتوازن لابلاس: إنشاء خط معالجة يعيد بناء الأشكال مع تصفية الضجيج مع الحفاظ على السمات الحرجة تشخيصياً عالية الانحناء، مما ينتج سطحاً متسقاً مع التوازن الميكانيكي لجدار تمدد الأوعية الدموية.

النتائج
تم التحقق من صحة الإطار على مجموعة بيانات سريرية خاصة بمريض يعاني من تمدد أوعية دموي (ISA) غير منفجر.

• إزالة العيوب: نجحت عملية التحسين التكراري في إزالة العيوب المقعرة غير الفيزيائية (الانحناء المتوسط السالب) الموجودة في خط الملاءمة المقيد الأولي. بحلول التكرار 3000، كان مجال الانحناء موجباً تماماً ($H > 0$)، وهو ما يتوافق مع الغشاء الواقع تحت الضغط.
• تحسين خريطة المخاطر: أظهرت خريطة مخاطر التمزق الناتجة، والمستمدة من نسبة الإجهاد ($\sigma_R$)، نمطاً متماسكاً مكانياً. تركزت مناطق الخطر العالي عند قمة القبة، وهو ما يتوافق مع الملاحظات السريرية الراسخة والنتائج الجراحية.
• المقارنة مع الطرق التقليدية: في المقابل، أنتجت طريقة تنعيم منحنى L التقليدية بقع مخاطر مشتتة وغير متماسكة عبر جدار الوعاء الدموي. كشف التحليل الكمي أن أي تطبيق لتنعيم منحنى L ($\beta > 0$) غيّر بشكل جذري الانحناء في المواقع عالية الخطورة، مع عدم وجود نافذة بارامترية قابلة للتطبيق لاستعادة السمات الأصلية عالية الانحناء. حافظ نهج PINN على سلامة هذه السمات مع إزالة الضجيج.

الأهمية والادعاءات
يدعي المؤلفون أن هذا العمل يؤسس لأساس بيولوجي رقمي لتقييم مخاطر التمزق لكل مريض. من خلال دمج التعلم العميق مع المعادلات الحاكمة الأساسية لميكانيكا جدار تمدد الأوعية الدموية، يوفر الإطار طريقة لإعادة بناء هندسة خالية من العيوب مباشرة من بيانات CTA/MRA الروتينية دون قياسات غازية. خرائط المخاطر الناتجة متسقة مع الملاحظات الجراحية العصبية (التمزق عند قمة القبة)، مما يوفر أداة أكثر موثوقية للتخطيط قبل الجراحة والمراقبة مقارنة بتقنيات التنعيم الرياضي الحالية. يربط هذا البحث بين النمذجة الهندسية والتحليل الميكانيكي، حيث يعامل الشكل المعاد بناؤه كتهيئة توازن لجدار تمدد الأوعية الدموية تحت التشوه.

القصور والتوجهات المستقبلية
يقر المؤلفون بأن النموذج الحالي يفترض غشاءً متماثل المناحي (isotropic) في حالة السكون المرن، متجاهلاً تباين سمك الجدار، والبنية غير المتماثلة للكولاجين، والتحميل الهيدروديناميكي النابض. كان التحقق نوعياً، حيث اعتمد على الخبرة الجراحية العصبية بدلاً من المقارنة المباشرة مع مواقع التمزق المؤكدة، ويرجع ذلك جزئياً إلى ندرة حالات تمزق تمدد الأوعية الدموية في الجوانب الجانبية مقارنة بمواقع التفرع. يهدف العمل المستقبلي إلى توسيع هذا الإطار ليشمل NURBS متعددة الرقع (multi-patch) للمورفولوجيات المعقدة متعددة الفصوص، ودمج التفاعل بين السوائل والهياكل (FSI)، وتمكين التتبع الطولي لتطور النقاط الضعيفة.