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

Resumo Técnico: Estimativa Sem Contato de Deslocamento de Contínuo e Compressibilidade Mecânica via Deep Learning

1. O Problema

A caracterização mecânica de materiais de engenharia e tecidos biológicos é essencial para diversas aplicações, como diagnósticos médicos e engenharia de materiais. No entanto, em muitos casos, medições físicas diretas (contato) são impossíveis ou indesejadas. Métodos ópticos não invasivos (como elastografia por ultrassom ou ressonância magnética) fornecem sequências de imagens, mas a extração de parâmetros constitutivos — especificamente a razão de Poisson ($\nu$), que descreve a compressibilidade do material — é um desafio.

Os métodos convencionais dependem de algoritmos iterativos de registro de imagens não rígidas e simulações numéricas pesadas (como o Método de Elementos Finitos - FEM ou Diferenças Finitas - FDM). Esses processos são computacionalmente caros, lentos e difíceis de escalar para processamento de alto rendimento (high-throughput), especialmente quando há ruído nas imagens ou imprecisões no registro de deslocamento.

2. Metodologia

Os autores propõem um framework de aprendizado profundo (deep learning) de ponta a ponta (end-to-end) que automatiza a estimativa da compressibilidade a partir de séries de imagens. A metodologia divide-se em três pilares principais:

• Geração de Dados de Referência (Simulação): Utilizando o Método de Diferenças Finitas (FDM) para resolver a Equação Diferencial Parcial (PDE) de Lamé-Navier em 2D, os autores geraram milhares de campos de deslocamento elástico linear para três valores distintos de razão de Poisson ($\nu = 0$, $0,25$e$0,49$), representando materiais de alta, média e baixa compressibilidade.
• Registro de Imagem Não Rígido (CNN): Implementaram uma arquitetura baseada em U-Net (derivada do Voxelmorph) para prever o campo de deslocamento entre uma imagem de origem (estática) e uma imagem de alvo (deformada). O modelo é treinado de forma não supervisionada usando uma função de perda que combina correlação cruzada e um regularizador de suavidade.
• Estimativa da Razão de Poisson (Regressão por CNN): Em vez de usar a abordagem clássica de calcular a razão de Poisson através de derivadas locais da PDE (que é extremamente sensível ao ruído), os autores desenvolveram uma segunda rede neural convolucional (CNN). Esta rede recebe o campo de deslocamento reconstruído e realiza uma regressão direta para um único valor global de $\nu$ para todo o domínio da imagem.

3. Principais Contribuições

• Abordagem End-to-End Eficiente: Substituição de pipelines iterativos lentos por um framework de aprendizado profundo capaz de processar grandes volumes de dados rapidamente.
• Robustez ao Ruído: Demonstração de que o modelo de regressão por CNN supera significativamente os métodos baseados em operadores diferenciais locais (Eq. 7 do artigo), que falham drasticamente mesmo com níveis mínimos de ruído (acima de 0,6%).
• Descoberta de Características de Ordem Superior: Através da análise Grad-CAM, o estudo revela que o modelo não olha apenas para deslocamentos locais, mas identifica padrões estruturais complexos, como vórtices (semelhantes a "redemoinhos de pá" ou paddle-eddies) que ocorrem em materiais quase incompressíveis ($\nu \approx 0,5$).

4. Resultados

• Precisão do Registro: O modelo de registro de imagem apresentou um erro quadrático médio (RMSE) baixo e consistente para os três níveis de compressibilidade.
• Superioridade da DNN: A tabela de resultados mostra que, enquanto o método convencional (baseado na PDE) apresenta erros massivos quando o deslocamento é reconstruído via imagem (especialmente com ruído), o modelo de Deep Learning mantém uma precisão alta.
• Desempenho por Material: O modelo mostrou-se particularmente preciso para materiais de baixa compressibilidade ($\nu = 0,49$), onde os padrões de vórtice são mais pronunciados e facilitam a "cognição" da rede.
• Resiliência: Modelos treinados com dados sintéticos contendo ruído (5% e 10%) mostraram desempenho comparável aos modelos treinados com dados perfeitos, provando a viabilidade prática.

5. Significância

Este trabalho representa um avanço importante para a mecânica computacional baseada em dados. Ele demonstra que o aprendizado profundo pode extrair propriedades físicas fundamentais de observações ópticas de forma muito mais robusta do que as leis físicas aplicadas diretamente a dados ruidosos. A capacidade de identificar propriedades mecânicas de forma não invasiva e em tempo real tem implicações profundas tanto na biomedicina (ex: diagnóstico de câncer através da rigidez tecidual) quanto na ciência dos materiais (ex: monitoramento de deformações em estruturas complexas).