Contactless estimation of continuum displacement and mechanical compressibility from image series using a deep learning based framework

Resumen Técnico: Estimación sin contacto de desplazamiento continuo y compresibilidad mecánica mediante un marco de aprendizaje profundo

Título original: Contactless estimation of continuum displacement and mechanical compressibility from image series using a deep learning based framework

1. El Problema

La caracterización mecánica de materiales de ingeniería y tejidos biológicos es fundamental en campos como la mecanobiología y la ingeniería de materiales. Tradicionalmente, esto requiere mediciones físicas directas (contacto) o métodos de observación óptica indirectos que dependen de algoritmos iterativos de registro de imágenes no rígidas y modelos constitutivos complejos (como el Método de Elementos Finitos - FEM o el Método de Diferencias Finitas - FDM).

Estos métodos convencionales presentan dos limitaciones críticas:

1. Costo computacional: Son lentos y difíciles de escalar para el procesamiento de datos de alto rendimiento (high-throughput).
2. Sensibilidad al ruido: Los métodos basados en la reformulación de ecuaciones diferenciales parciales (PDE) para calcular propiedades como el coeficiente de Poisson ($\nu$) son extremadamente sensibles a las pequeñas imprecisiones o ruido en los campos de desplazamiento reconstruidos, lo que conduce a errores significativos en la estimación de la compresibilidad.

2. Metodología

Los autores proponen un marco de trabajo (framework) de aprendizaje profundo (deep learning) de extremo a extremo (end-to-end) que consta de dos etapas principales:

• Generación de datos de referencia: Utilizaron el Método de Diferencias Finitas (FDM) para resolver la ecuación de Lamé-Navier en 2D. Esto permitió generar miles de campos de desplazamiento sintéticos correspondientes a tres valores distintos de coeficiente de Poisson ($\nu = 0$, $0.25$y$0.49$), representando materiales de alta, media y baja compresibilidad.
• Etapa 1: Registro de imágenes no rígido: Implementaron una arquitectura basada en U-Net (derivada de Voxelmorph) para predecir el campo de desplazamiento que mapea una imagen fuente a una imagen objetivo deformada. El modelo se entrena de forma no supervisada utilizando una función de pérdida que combina la correlación cruzada (CC) y un regularizador de suavidad.
• Etapa 2: Estimación de la compresibilidad (Regresión): Desarrollaron una Red Neuronal Convolucional (CNN) diseñada para la regresión. Esta red toma el campo de desplazamiento reconstruido como entrada y predice un único valor global del coeficiente de Poisson para todo el dominio. Se utilizó una función de activación Sigmoid personalizada para asegurar que los valores predichos se mantuvieran dentro del rango físicamente admisible ($\nu \in [0, 0.5]$).

3. Contribuciones Clave

• Enfoque de extremo a extremo: La capacidad de pasar directamente de una serie de imágenes a una propiedad mecánica global sin necesidad de resolver iterativamente modelos numéricos pesados.
• Robustez ante el ruido: A diferencia de los métodos basados en operadores diferenciales locales (que fallan con un ruido de apenas el 0.6%), el modelo de aprendizaje profundo mantiene una alta precisión incluso con desplazamientos imperfectos o ruidosos provenientes del registro de imágenes.
• Identificación de características de orden superior: Mediante el análisis Grad-CAM, el estudio demuestra que la red no solo mira desplazamientos locales, sino que identifica características estructurales complejas, como la vorticidad (patrones de "remolinos" o paddle-eddies) en materiales casi incompresibles.

4. Resultados Principales

• Precisión del registro: El modelo de registro de imágenes mostró un error cuadrático medio (RMSE) bajo y una alta similitud con los desplazamientos de referencia de FDM.
• Superioridad del modelo DNN: En la comparación de la estimación de $\nu$, el modelo de aprendizaje profundo superó significativamente al método convencional basado en la reformulación de la ecuación de Lamé-Navier. Mientras que el método convencional producía errores masivos ante el ruido de la imagen registrada, la DNN mantuvo predicciones consistentes.
• Desempeño por material: El modelo demostró ser particularmente preciso para materiales con baja compresibilidad ($\nu = 0.49$), donde las características visuales de la deformación (vórtices) son más distintivas.

5. Significado e Impacto

Este trabajo demuestra que el aprendizaje profundo puede superar las limitaciones de la mecánica computacional tradicional en tareas de observación remota. La capacidad de la red para extraer "características cognitivas de orden superior" de un campo de vectores permite una estimación de propiedades mecánicas mucho más robusta y rápida.

Este avance tiene aplicaciones potenciales críticas en:

• Biomedicina: Diagnóstico y pronóstico de cáncer mediante la evaluación de la elasticidad de tejidos.
• Microscopía de alto rendimiento: Monitoreo en tiempo real del desarrollo celular y la mecánica de tejidos vivos.
• Ingeniería de materiales: Inspección no invasiva de estructuras sin necesidad de sensores físicos.