基于半自动分割技术的膝关节有限元建模

doi:10.12307/2025.714

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (33): 7055-7062.doi: 10.12307/2025.714

• 骨与关节有限元分析Finite element analysis of bones and joints • 上一篇下一篇

基于半自动分割技术的膝关节有限元建模

阎峰，张楠，孟庆华，鲍春雨，叶礼新，喻佳

天津体育学院，天津市 301617

收稿日期:2024-06-11 接受日期:2024-09-12 出版日期:2025-11-28 发布日期:2025-04-12
通讯作者: 孟庆华，博士，教授，天津体育学院，天津市 301617
作者简介:阎峰，男，1975年生，天津市人，汉族，1994年天津师范大学毕业，讲师，主要从事有限元及体育大数据技术研究。
基金资助:
国家自然科学基金项目(11372223，11102135)，项目负责人：孟庆华；天津市自然科学基金项目(17JCZDJC36000)，项目负责人：鲍春雨；天津市自然科学基金项目(18JCZDJC35900)，项目负责人：孟庆华；国家体育总局科技创新项目(22KJCX077)，项目负责人：鲍春雨；天津市研究生创新项目(2022SKYZ318)，项目负责人：张楠

Finite element modeling of knee joint based on semi-automatic segmentation technology

Yan Feng, Zhang Nan, Meng Qinghua, Bao Chunyu, Ye Lixin, Yu Jia

Tianjin University of Sport, Tianjin 301617, China

Received:2024-06-11 Accepted:2024-09-12 Online:2025-11-28 Published:2025-04-12
Contact: Meng Qinghua, PhD, Professor, Tianjin University of Sport, Tianjin 301617, China
About author:Yan Feng, Lecturer, Tianjin University of Sport, Tianjin 301617, China
Supported by:
National Natural Science Foundation of China, Nos. 11372223, 11102135 (to MQH); Tianjin Natural Science Foundation, No. 17JCZDJC36000 (to BCY), 18JCZDJC35900 (to MQH); Science and Technology Innovation Project of General Administration of Sport of China, No. 22KJCX077 (to BCY); Tianjin Graduate Innovation Project, No. 2022SKYZ318 (to ZN)

摘要/Abstract

摘要：

文题释义：

3D Swin UNETR：一种新的基于3D变压器的模型，称为Swin UNEt Transformer(Swin UNETR)，具有用于自我监督前训练的分层编码器，为学习人体解剖学的基本模式定制代理任务。
统计形状模型：一组形状(训练集)的“统计模型”能够精简地表达组内形状的变化模式。统计模型最初用于图像自动分割，随后又在模式识别、计算机动画和医疗诊断等领域获得了十分广泛的应用。创建统计模型归结为搜寻所有形状的对应状态，进而又转为一个优化问题，其目标函数是形状对应质量的度量。在优化迭代的过程中，形状对应状态的更新是通过在参数域内的重新参数化实现的。

背景：膝关节有限元建模可以深入了解膝关节力学，但其复杂的图像分割工作对于研究人员来说较为困难。随着深度学习技术的发展，深度学习技术已经广泛应用于膝关节有限元建模中。

目的：使用3D Swin UNETR结合统计形状模型半自动分割技术来代替膝关节有限元建模中人工分割的步骤。
方法：基于MR建立手动(人工)膝关节有限元模型和3D Swin UNETR+统计形状模型分割的半自动膝关节有限元模型，对2个模型施加相同的载荷与边界条件，通过计算Dice相似系数、平均距离以及比较2个模型的等效应力峰值、最大主应力和最大剪切应力来进行验证。

结果与结论：①半自动分割模型股骨和胫骨的Dice相似系数均超过98%，平均距离均≤(0.35±0.08) mm；②对手动和半自动有限元模型股骨顶端施加纵向荷载750 N及10 Nm内翻力矩，手动有限元模型半月板等效应力峰值、最大主应力、最大剪切应力为14.12，18.54，7.35 MPa；股骨软骨等效应力峰值、最大主应力、最大剪切应力为2.22，2.15，1.18 MPa；胫骨软骨等效应力峰值、最大主应力、最大剪切应力为2.50，1.91，1.41 MPa；半自动有限元模型半月板等效应力峰值、最大主应力、最大剪切应力为14.93，18.53，7.75 MPa；股骨软骨等效应力峰值、最大主应力、最大剪切应力为2.26，2.18，1.20 MPa；胫骨软骨等效应力峰值、最大主应力、最大剪切应力为2.60，1.91，1.46 MPa；手动和半自动有限元模型等效应力峰值、最大主应力和最大剪切应力之间基本一致，差异无显著性意义(P > 0.05)；③此次研究所提出的半自动分割技术在创建准确的膝关节有限元模型方面可代替人工分割。

https://orcid.org/0009-0002-6856-1608(阎峰)

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

关键词: 膝关节, 有限元模型, 3D Swin UNETR, 统计形状模型, 半自动分割, 人工分割

Abstract: BACKGROUND: Knee finite element modelling can provide insight into knee mechanics, but its complex image segmentation is more difficult for researchers. With the development of deep learning techniques, deep learning techniques have been widely used in knee joint finite element modelling.
OBJECTIVE: To replace the manual segmentation step in finite element modelling of the knee joint by using 3D Swin UNETR in combination with a semi-automatic segmentation technique for statistical shape models.
METHODS: Manual (artificial) knee joint finite element model was developed based on MR and semi-automatic knee joint finite element model was developed based on 3D Swin UNETR+ statistical shape model segmentation. The same loads and boundary conditions were applied to both models. Validation was performed by calculating the Dice similarity coefficient, mean distance, and comparing the peak equivalent stresses, maximum principal stresses, and maximum shear stresses of the two models.
RESULTS AND CONCLUSION: (1) The Dice similarity coefficients of the manual and semi-automatic segmented femur and tibia were more than 98%, and the average distances were less than or equal to (0.35±0.08) mm. (2) With the longitudinal load of 750 N and 10 Nm internal overturning moment applied to the femur tip of both manual and semi-automatic finite element models, the peak equivalent stress, maximum principal stress, and maximum shear stresses of meniscus in manual finite element model were 14.12, 18.54, and 7.35 MPa; peak equivalent force, maximum principal stress, and maximum shear stress of femoral cartilage were 2.22, 2.15, and 1.18 MPa; peak equivalent force, maximum principal stress, and maximum shear stress of tibial cartilage were 2.50, 1.91, and 1.41 MPa; semi-automatic finite element model of meniscus: peak equivalent force, maximum principal stress, and maximum shear stress were 14.93, 18.53, and 7.75 MPa. The peak equivalent force, maximum principal stress, and maximum shear stress of femoral cartilage were 2.26, 2.18, and 1.20 MPa; the peak equivalent stress, maximum principal stress, and maximum shear stress of tibial cartilage were 2.60, 1.91, and 1.46 MPa. The peak equivalent stress, maximum principal stress, and maximum shear stress of manual and semi-automatic finite element models were basically consistent, with no significant difference (P > 0.05). (3) The semi-automatic segmentation technique proposed in this study can replace manual segmentation in creating accurate finite element models of the knee joint.

Key words: knee joint, finite element model, 3D Swin UNETR, statistical shape model, semi-automatic segmentation, manual segmentation

中图分类号:

阎峰, 张楠, 孟庆华, 鲍春雨, 叶礼新, 喻佳. 基于半自动分割技术的膝关节有限元建模[J]. 中国组织工程研究, 2025, 29(33): 7055-7062.

Yan Feng, Zhang Nan, Meng Qinghua, Bao Chunyu, Ye Lixin, Yu Jia. Finite element modeling of knee joint based on semi-automatic segmentation technology[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(33): 7055-7062.

图/表（结果） 4

2.1 分割结果表1显示了使用Swin UNETR和统计形状模型方法的股骨和胫骨分割性能的评价指标。

由表1和图4可知，股骨、胫骨自动分割区域与人工分割区域之间的重叠度均大于98%。对于股骨和胫骨，Swin UNETR方法得出的平均距离分别为(0.32±0.05) mm和(0.35±0.08) mm；统计形状模型调整得出的值略低，分别为(0.25±0.06) mm和(0.29±0.04) mm。半自动分割需要大约20 min的计算时间(Swin UNETR为12 min，统计形状模型为8 min)来生成胫骨和股骨几何结构，而手动分割需要大约180 min(在Mimics 软件中手动分割大约需要100 min，在Geomagic Studio软件中平滑处理大约需要80 min)

2.2 模型对比结果见图5。

由图5可知，对手动有限元模型股骨顶端施加纵向荷载750 N及10 Nm内翻力矩，半月板等效应力峰值、最大主应力、最大剪切应力为14.12，18.54，7.35 MPa；股骨软骨等效应力峰值、最大主应力、最大剪切应力为2.22，2.15，1.18 MPa；胫骨软骨等效应力峰值、最大主应力、最大剪切应力为2.50，1.91，1.41 MPa。对半自动有限元模型股骨顶端施加纵向荷载750 N及10 Nm内翻力矩，半月板等效应力峰值、最大主应力、最大剪切应力为14.93，18.53，7.75 MPa；股骨软骨等效应力峰值、最大主应力、最大剪切应力为2.26，2.18，1.20 MPa；胫骨软骨等效应力峰值、最大主应力、最大剪切应力为2.60，1.91，1.46 MPa。研究发现手动和半自动有限元模型应力结果基本一致，且与杨骏良等[38]的有限元模型基本一致。由表2可知，通过独立样本t检验发现手动和半自动有限元模型半月板、股骨软骨、胫骨软骨的等效应力峰值、最大主应力、最大剪切应力之间差异均无显著性意义(P > 0.05)。

参考文献

[1] LEGNANI C, VENTURA A, TERZAGHI C, et al. Anterior cruciate ligament reconstruction with synthetic grafts: a review ofliterature. Int Orthop. 2010;34:465-471.
[2] DU M, LI J, JIAO C,et al. Distal insertion rupture of lateral ankle ligament as a predictor of weakened and delayed sports recovery after acute ligament repair: mid-term outcomes of 117 cases. BMC Musculoskelet Disord. 2022;23(1):294.
[3] CAMPBELL KJ, MICHALSKI MP, WILSON KJ, et al. The ligament anatomy of the deltoid complex of the ankle: a qualitative and quantitative anatomical study. J Bone Joint Surg Am. 2014;96(8):e62.
[4] KIELY PDW, LLOYD ME. Ankle arthritis - an important signpost in rheumatologic practice. Rheumatology (Oxford). 2021;60(1):23-33.
[5] KARITA Y, ISHIBASHI Y, TSUDA E, et al. Mechanisms of anterior cruciate ligament injuries in volleyball. Br J Sports Med. 2017;51(4):338-339.
[6] TAPASVI S, SHEKHAR A, PATIL S, et al. Limb position influences component orientation in Oxford mobile bearin g unicompartmental knee arthroplasty: an experimental cadaveric study. Bone Joint Res. 2020;9(6):272-278.
[7] ARAUZ P, PENG Y, CASTILLO T, et al. In vitro kinematic analysis of single axis radius posterior-substituting total knee arthroplasty. J Knee Surg. 2021;34(11):1253-1259.
[8] KONO K, TOMITA T, YAMAZAKI T, et al. Patellar resurfacing has minimal impact on in vitro tibiofemoral kinematics during deep knee flexion in total knee arthroplasty. Knee. 2021;30:163-169.
[9] BEIDOKHTI HN, JANSSEN D, VAN DE GROES S, et al. The peripheral soft tissues should not be ignored in the finite element models of the human knee joint. Med Biol Eng Comput. 2018;56:1189-1199.
[10] NAGHIBI H, JANSSEN D, GROES S, et al. The influence of ligament modelling strategies on the predictive capability of finite element models of the human knee joint. J Biomech. 2017;65:1-11.
[11] BALDWIN MA, LAZ PJ, STOWE JQ, et al. Efficient probabilistic representation of tibiofemoral soft tissue constraint. Comput Methods Biomech Biomed Engin. 2009;12(6):651-659.
[12] HUANG X. Sports injury modeling of the anterior cruciate ligament based on the intelligent finite element algorithm. J Healthc Eng. 2021; 2021:3606863.
[13] MAHMOOD H, ECKOLD D, STEAD I, et al. A method for the assessment of the coefficient of friction of articula r cartilage and a replacement biomaterial. J Mech Behav Biomed Mater. 2020;103:103580.
[14] ESTELL EG, MURPHY LA, GANGI LR, et al. Attachment of cartilage wear particles to the synovium negatively impacts friction properties. J Biomech. 2021;127:110668.
[15] RADIN EL, PAUL IL. A consolidated concept of joint lubrication. J Bone Joint Surg Am. 1972;54(3):607-613.
[16] FARROKHI S, KEYAK JH, POWERS CM. Individuals with patellofemoral pain exhibit greater patellofemoral joint stress: a finite element analysis study. Osteoarthr Cartil. 2011;19(3):287-294.
[17] LIUKKONEN MK, MONONEN ME, TANSKA P, et al. Application of a semi-automatic cartilage segmentation method for biomechanical modeling of the knee joint. Comput Methods Biomech Biomed Engin. 2017;20(13):1453-1463.
[18] MYLLER KAH, KORHONEN RK, TÖYRÄS J, et al. Clinical Contrast-Enhanced Computed Tomography With Semi-Automatic Segmentation Provides Feasible Input for Computational Models of the Knee Joint. J Biomech Eng. 2020;142(5):051001.
[19] ERDEMIR A, BESIER TF, HALLORAN JP, et al. Deciphering the “Art” in Modeling and Simulation of the Knee Joint: Overall Strategy. J Biomech Eng. 2019;141(7):0710021-07100210.
[20] KOO S, GOLD GE, ANDRIACCHI TP. Considerations in measuring cartilage thickness using MRI: Factors influencing reproduc-ibility and accuracy. Osteoarthr. Cartil. 2005;13(9):782-789.
[21] KANG KT, KIM SH, SON J, et al. In vivo evaluation of the subject-specific finite element model for knee joint cartilage contact area. Int J Precis Eng Manuf. 2015;16:1171-1177.
[22] BALDWIN MA, LANGENDERFER JE, RULLKOETTER PJ. Development of subject-specific and statistical shape models of the knee using an efficient segmentation and mesh-morphing approach. Comput Methods Programs Biomed. 2010;97(3):232-240.
[23] COOTES TF, TAYLOR CJ, COOPER DH, et al. Active shape models-their training and application. Comput Vis Image Underst.1995;61(1):38-59.
[24] CLOUTHIER AL. The effect of articular geometry features identified using statistical shape modelling on knee biomechanics. Med Eng Phys. 2019;66:47-55.
[25] PRÖVE PL, JOPP-VAN WELL E, STANCZUS B, et al. Automated segmentation of the knee for age assessment in 3D MR images using convolutional neural networks. Int J Legal Med. 2019;133(4):1191-1205.
[26] KIM-WANG SY. Auto-segmentation of the tibia and femur from knee MR images via deep learning and its application to cartilage strain and recovery. J Biomech. 2023;149:111473.
[27] AMBELLAN F, TACK A, EHLKE M, et al. Automated segmentation of knee bone and cartilage combining statistical shape knowledge and convolutional neural networks: Data from the Osteoarthritis Initiative. Med Image Anal. 2019;52:109-118.
[28] PAPROKI A. Automated segmentation and analysis of normal and osteoarthritic knee menisci from magnetic resonance images–data from the Osteoarthritis Initiative. Osteoarthr Cartil. 2014;22(9):1259-1270.
[29] TACK A, MUKHOPADHYAY A, ZACHOW S. Knee menisci segmentation using convolutional neural networks: Data from the Osteo-arthritis Initiative. Osteoarthr. Cartil. 2018;26(5): 680-688
[30] RONG Y, XIANG D, ZHU W, et al. Deriving external forces via convolutional neural networks for biomedical image segmentation. Biomed Opt Express. 2019;10(8):3800-3814.
[31] BURTON W II, MYERS C, RULLKOETTER P. Semi-supervised learning for automatic segmentation of the knee from MRI with con-volutional neural networks. Comput Methods Programs Biomed. 2020;189: 105328
[32] HATAMIZADEH A. Unetr: Transformers for 3d medical image segmentation. in Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2022:574-584.
[33] HATAMIZADEH A, NATH V, TANG Y, et al. Swin unetr: Swin transformers for semantic segmentation of brain tumors in mri images. Int MICCAI Brainlesion Workshop. 2021:272-284.
[34] DOSOVITSKIY A. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv: 2010:11929.
[35] ÇIÇEK Ö, ABDULKADIR A, LIENKAMP SS, et al. 3D U-Net: Learning dense volumetric segmentation from sparse annotation. in Medical Image Computing and Computer-Assisted Intervention–MICCAI 2016: 19th International Conference, Athens, Greece, October 17-21, 2016, Proceedings, Part II 19,2016:424-432.
[36] LIU Z. Swin transformer: Hierarchical vision transformer using shifted windows. in Proceedings of the IEEE/CVF International Conference on Computer Vision,2021:10012-10022.
[37] 鲍春雨,郭宝川,孟庆华.人体膝关节有限元模型建立及其有效性验证[J].应用力学学报,2017,34(3):559-563+615.
[38] 杨骏良,路坦,徐彪,等.前交叉韧带部分断裂对膝关节应力影响的三维有限元分析[J].中国组织工程研究,2024,28(9):1347-1353.
[39] 任爽,时会娟,张家豪,等.前交叉韧带重建术后移植物应力的有限元分析[J].北京大学学报(医学版),2021,53(5):865-870.
[40] 张楠,孟庆华,鲍春雨,等.脑卒中患者运动过程中动力学特征的智能预测[J].医用生物力学,2024,39(3):489-496.
[41] 王冬梅, 郭文霞, 袁书芳, 等. 基于主成分分析和小波神经网络预测跑步中垂直地面反作用力[J]. 医用生物力学,2022,37(4):706-712.
[42] FOURMENT M, SWANEPOEL CJ, GALLOWAY JG, et al. Automatic Differentiation is no Panacea for Phylogenetic Gradient Computation. Genome Biol Evol. 2023;15(6):evad099.
[43] FABIANO S, TORELLI N, PAPP D. A novel stochastic optimization method for handling misalignments of proton and photon doses in combined treatments. Phys Med Biol. 2022;67(18). doi: 10.1088/1361-6560/ac858f.
[44] PIETRONI N, TARINI M, CIGNONI P. Almost isometric mesh parameterization through abstract domains. IEEE Trans Vis Comput Graph. 2009;16(4):621-635.
[45] RÖHRICH E, THALI M, SCHWEITZER W. Skin injury model classification based on shape vector analysis. BMC Med Imaging. 2012;12:32.
[46] GANG GJ, STAYMAN JW. Universal orbit design for metal artifact elimination. Phys Med Biol. 2022;67(11):10.1088/1361-6560/ac6aa0.
[47] LUO C, GE X, WANG Y. Uniformization and density adaptation for point cloud data via graph Laplacian. Comp Graph Forum. 2018;325-337.
[48] MYRONENKO A, SONG X. Point set registration: Coherent point drift. IEEE Trans. Pattern Anal. Mach. Intell. 2010;32(12):2262-2275.
[49] MONTECCHI M, CARA G, BENEDETTI A. VISproPT: A high-precision instrument for 3D shape analysis of parabolic trough panels. Open Res Eur. 2023;3:111.
[50] BOOKSTEIN FL, GREEN WDK. A thin-plate spline and the decomposition of deformations. Math Methods Med. 1993:14-28.
[51] ZHOU Z, ZHAO G, KIJOWSKI R, et al. Deep convolutional neural network for segmentation of knee joint anatomy. Magn Reson Med. 2018;80(6):2759-2770.
[52] LATIF MHA, FAYE I. Automated tibiofemoral joint segmentation based on deeply supervised 2D-3D ensemble U-Net: Data from the Osteoarthritis Initiative. Artif Intell Med. 2021;122:102213.
[53] RODRIGUEZ-VILA B, SÁNCHEZ-GONZÁLEZ P, OROPESA I, et al. Automated hexahedral meshing of knee cartilage structures - application to data from the osteoarthritis initiative. Comput Methods Biomech Biomed Engin. 2017;20(14):1543-1553.
[54] EBRAHIMKHANI S, JAWARD MH, CICUTTINI FM, et al. A review on segmentation of knee articular cartilage: from conventional methods towards deep learning. Artif Intell Med. 2020;106:101851.

引言

膝关节是人体最复杂的关节之一，承受较大的载荷，因此容易出现损伤[1]。由于负重时间长、运动量大，创伤性和非创伤性因素均可引起膝关节损伤或退行性变，导致半月板损伤[2]、韧带断裂或骨关节炎[3-5]。为了更好地了解膝关节应力分布特征，许多生物力学研究都是基于尸体标本进行的。尸体研究的优点是更直观，然而它对深入研究没有帮助[6-8]：首先，获得尸体标本困难且昂贵[9]；其次，膝关节的保存具有挑战性，明显限制了膝关节研究[10]；第三，复杂的关节运动难以模拟[11]。随着数字医学和计算软件的进步，有限元分析可以更好地解决生物力学分析中尸体研究和活体研究的痛点[12]。研究人员可以以非侵入性的方式研究组织的力学反应，模拟无法以相对较低的成本和风险进行的人体力学测试[13]。此外，研究人员还可以对所建立的有限元模型进行反复研究，并通过可视化分析使研究结果更加直观[14]。受试者特定的膝关节有限元模型可以通过CT图像和MR成像获得[15]，随后，将材料和属性分配给膝关节各个组件，同时施加适当的载荷和边界条件以及它们之间的接触方式[16]。但是获得受试者特定的膝关节有限元模型需要对CT和MRI图像进行长时间密集的手动分割[17-18]，同时其重复性还具有一定的局限性[19-21]。例如：①出现了许多模型，它们在解剖和机械响应方面具有不同的保真度；②基于与模型的预期使用，适应性建模和仿真过程的差异很大；③在某些情况下，建模者的决定是主观的、任意的并且难以合理化。
卷积神经网络和统计形状模型已经证明了具有加速医学图像分割的能力。统计形状模型涉及主成分分析，对提取的受试者几何形状的训练集进行分析，以确定其空间变异模式[22-25]。不同的卷积神经网络和统计形状模型已经成功地完成了各种分割任务[26]。例如：Ambellan等[27]使用卷积神经网络进行膝关节组织的2D和3D分割，并通过统计形状模型来控制具有异常形状的区域；其股骨和胫骨的Dice相似系数(Dice similarity coefficient，DSC)值分别为98.6%和98.5%。PAPROKI[28]和TACK等[29]通过使用统计形状模型对健康人群和骨关节炎患者的膝关节进行分割。卷积神经网络中的U-Net模型，在不同器官的医学图像分割中具有非常好的性能[30-31]。然而，基于卷积神经网络的方法由于依赖于局部感受器(用于卷积的图像片段)，往往难以捕捉长程依赖关系(空间上相互远离的像素或区域的影响)[32]。
近期出现的机器学习技术明显改进了生物医学图像中器官的分割。例如：UNETR是一种神经网络架构，它结合了UNet和Trans-former模型的优势，可用于准确的分割图像[32]。Swin UNETR是为从核磁共振成像中分割脑肿瘤而开发的，在各种基准测试中均表现出卓越的准确性和效率[33]。Swin UNETR将Swin transformers的编码器与3D U-Net的解码器相结合[34-35]。专为视觉领域设计的 Swin通过采用移位窗口方案，克服了ViT的二次模型复杂性缺点；Swin的分层结构允许在多个尺度上对图像特征进行建模和组合，与卷积神经网络相似；此外，Swin的计算复杂性提高了使用高分辨率图像的预测效率[36]。然而，自动分割方法的结果需要人工进行手动校正来提高表面光滑度，因此，从生物医学图像制备3D有限元模型仍然需要大量的人为干预和监督。利用医学图像分割的最新进展，可以重新审视之前的膝关节软骨分割算法，以提高其计算建模的准确性和可重复性。现有的先进的自动分割模型和它们在生物力学建模中的实现之间存在差距。
此次研究旨在开发一种先进的半自动分割方法，用于创建膝关节有限元模型。此次研究的目的是：①训练3D Swin UNETR Transformer和统计形状模型，用于股骨远端和胫骨近端的半自动分割，来建立有限元模型；②比较半自动分割和手动分割有限元模型的结果，包括DSC、平均距离以及半月板、股骨软骨、胫骨软骨的等效应力峰值、最大主应力和最大剪切应力。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

材料方法

1.1 设计基于MRI数据构建Swin UNETR和统计形状模型，进行股骨与胫骨的半自动分割，与膝关节有限元建模中的人工分割进行对比。通过计算DSC、平均距离以及比较2个模型的等效应力峰值、最大主应力和最大剪切应力来进行验证。对2个模型的DSC、平均距离、等效应力峰值、最大主应力和最大剪切应力进行独立样本t检验。
1.2 时间及地点实验于2023年1月至2024年5月在天津康复疗养中心(原人民解放军第四六四医院)健康管理部医学影像科完成。
1.3 材料 2023年1月至2024年5月从天津康复疗养中心(原人民解放军第四六四医院)健康管理部医学影像科数据库中提取了312例患者的MRI数据，男、女各156例，年龄(60.5±8.3)岁，体质量指数(29.27±4.32) kg/m2，图像分辨率0.36 mm×0.36 mm×0.7 mm。
患者选择标准和采集标准：患者膝骨关节炎等级位于Ⅰ-Ⅲ级之间，关节间隙可疑变窄，可能有骨赘；有明显骨赘，关节间隙可疑变窄；中等量骨赘，关节间隙变窄较明显，有硬化性改变。

为了评估Swin UNETR和统计形状模型的性能，使用随机选择的五重交叉验证(图1)。训练集、验证集按照7∶3比例进行划分，即有220个用于训练的MRI和92个用于测试的MRI。为了评价有限元模型的性能，使用了从测试集中随机选择的1个样本，因为92个样本的有限元建模非常耗时且目前不可行(直到膝关节有限元建模步骤的自动化，如网格划分、材料属性分配和加载实现)。

此次研究得到了天津体育学院伦理委员会批准(批准号：伦研批2023003号)，所有患者均知情同意并自愿参与此次研究。
1.4 方法

1.4.1 膝关节有限元模型材料与载荷生成2个有限元模型(手动和半自动)，股骨和胫骨的几何形状是手动和半自动有限元模型之间的唯一差异(图2)。手动分割软骨几何结构并添加到2个有限元模型中。对于半自动分割，使用3D Swin UNETR Transformer进行股骨和胫骨的初始分割，并使用统计形状模型进行进一步调整，以改善表面粗糙度和孔填充方面的表面质量。

手动有限元建模详细过程：第一，在Mimics 软件中，重建出膝关节三维几何模型，同时将STL格式的模型导入到Geomagic Studio软件中，生成更高质量的模型[37]。第二，将得到的膝关节三维几何模型导入到HyperMesh软件进行网格划分(使用hypermesh软件将STL模型导入，通过geom模块下的surface命令里面的 from fe将网格转成几何模型，然后导出几何通用格式STP)。第三，将HyperMesh导出的STP格式文件导入到Workbench 2022 R1中进行材料定义(骨：弹性模量17 000 MPa、泊松比0.3；关节软骨：弹性模量5 MPa、泊松比0.46；半月板：弹性模量59 MPa、泊松比0.49；韧带：弹性模量215.3 MPa、泊松比0.4)和约束载荷。完整膝关节的约束条件：前交叉韧带、后交叉韧带、内侧副韧带、外侧副韧带在止点处与股骨和胫骨完全固定[38]；胫骨与腓骨相对固定；内侧副韧带与股骨和胫骨内侧光滑接触；股骨近端和中端完全固定[39]；对模型施加载荷条件：通过在股骨顶端施加纵向荷载750 N及10 Nm内翻力矩，模拟膝内翻。
比较手动和半自动有限元模型中半月板、股骨软骨、胫骨软骨的等效应力峰值、最大主应力、最大剪切应力[38]。所得数据用x±s表示。关节力矩采用受试者自身的体质量进行标准化[40-41]。

1.4.2 Swin UNETR Swin Transformer的分层结构允许在多个尺度(如卷积神经网络)上组合图像特征，同时它保持了与图像尺寸相关的线性计算复杂度[36]。从Swin Transformer中提取的4个输出特征(由虚线箭头指示)被馈送到3D U-Net块中，以重建与输入大小相同的图像(图3)。

对于3D Swin UNETR，窗口尺寸为7，初始特征尺寸为48。Swin Transformer有4个阶段，并使用3个3D U-Net模块进行上采样(图3)。Swin UNETR使用DSC和二进制交叉熵焦点损失进行训练。此次研究方法是用Python实现的，深度学习模型是使用Pytroch库实现的。所有模型都是使用Adam Optimizer进行训练的[42-43]，批量大小为8，初始学习率为0.000 1，并提前停止以避免过度拟合。使用五重交叉验证对模型进行了评价。原始图像大小为160×384×384像素。在训练过程中，每个MRI被调整为128×128×160像素(以降低计算成本)，并从随机区域裁剪为96×96×96像素。裁剪显著提高了Swin UNETR模型的泛化能力。在MRI上应用窗口中心调整作为预处理步骤，将它们转换为范围[0，1]。使用Monai库完成了数据扩充和Swin UNETR的实施。所有其他变量均为Monai的默认设置。
3D Swin UNETR网络架构如图3所示，当给定一个输入，首先将数据切割为多个小的体素块，将每个体素块进行2次不同的数据增强后分别输入到网络编码器中，计算自监督损失。三维分割网络是 U-Net 结构，网络的编码器为 Swin Transformer，解码器为卷积网络。
编码器部分首先是一个Patch Partition层来创建一个3D的token席列，通过线性嵌入层投影到C维空间中，为了对token交互讲行有效建模，输入卷划分到不重叠的窗口中，并在每个区域内计算局部自注意，编码器使用patch大小为2×2×2。特征维度2×2×2×1=8(即单输入通道CT图像)和C=48维嵌入空间，编码器的整体架构由4级构成，每一级包括2个Transfomer块 (L=8)，在每个阶段之间，使用一个PatchMerge层来降低2倍的分辨率。
预训练时在编码器的输出端链接了3个任务头，微调时去掉3个任务头，添加分割头，微调全部网络参数。Inpainting 预测头为一个卷积层；旋转头和对抗头为 MLP。Inpainting损失为L1损失；旋转损失为交叉熵，对抗损失是InfoNce。Inpainting从二维扩展到了三维，旋转是沿乙轴旋转。3个损失组合成了混合损失来指导训练，3个损失之间的权重均为1。
Swin UNETR的编码器通过跳跃连接在每个分辨率上连接到基于卷积神经网络的解码器，为下游任务(如分段)创建一个“U型”网络。将每个阶段提取的表示形式输入到一个残块中，该残块由2个后归一化的3×3×3卷积层组成，实例归一化。然后使用反卷积层对每个阶段处理过的特征进行上采样，并与前一阶段处理过的特征进行连接。将连接的特征输入到具有上述描述的残块中。
对于分割，将编码器的输出(lSwin Transformer)与经过处理的输入体积特征连接起来，并将它们输入到一个残块中，然后是最后一个具有适当激活函数(即softmax)的1×1×1卷积层，以计算分割概率。
1.4.3 统计形状模型使用统计形状模型，形状可以被定义为：
Shape=M+PC×b
其中，M是形状的点平均值，PC(PC1，PC2，PC3)是主成分(形状的点的变化模式)，并且b是权重向量。为了建立股骨和胫骨的统计形状模型，首先在样本之间建立对应关系，然后采用主成分分析对解剖变异进行建模。使用点集构建包括粗对准步骤和细对准步骤的样本之间的对应关系。首先，选择属于其中一个受试者的手动分割网格作为初始模板。使用等参数化方法将股骨和胫骨的模板网格细化为具有优化细分质量的网格[44]。然后使用Taubin方法对网格进行平滑处理[45]。在每个网格上对具有均匀分布的密集点集进行采样(代表受试者的股骨或胫骨)。为了在网格上均匀采样，使用Poisson-disk点集采样方法来获得均匀分布的点，然后使用均匀化技术来进一步均匀化相邻点之间的距离[46-47]。
对于每名受试者，使用组合点集的质心、质心大小和主轴，将股骨和胫骨的组合点集与模板粗略对齐[47]。接下来，在每个样品上匹配模板点集。匹配过程包括模板与样本的刚性配准，然后是非刚性配准。相干点漂移法用于刚性和非刚性配准任务[48]。在将模板配准到所有样本之后，使用广义Procrustes分析去除样本内的冗余刚性变换[49]。股骨和胫骨的平均形状计算为对应点集的算术平均值。为了为统计形状模型的每个实例生成网格，使用薄板样条插值公式将平均点集和形状实例的点集之间的变形场分解为非刚性分量，并将特征化变换应用于平均值的顶点(具有高质量的镶嵌)[50]。该过程导致每个样本(股骨或胫骨)的表示具有高质量镶嵌的平均网格的变形版本。
1.5 主要观察指标
1.5.1 分割性能指标使用Swin UNETR和统计形状模型方法评估股骨和胫骨分割性能的指标包括DSC和平均距离。DSC测量的是自动分割区域与人工分割区域之间的重叠程度。用于评估半自动方法准确性的另一个计算参数是平均距离，它表示自动分割表面和人工分割表面之间的平均间隔。
1.5.2 力学性能指标为了比较手动和半自动有限元模型的力学性能，考虑了3个参数，包括等效应力峰值、最大主应力、最大剪切应力。
1.6 统计学分析采用SPSS 20.0软件对2个模型的DSC、平均距离、等效应力峰值、最大主应力和最大剪切应力进行独立样本t检验。文章统计学方法已经天津体育学院生物统计学专家审核。

讨论

此次研究的目的是通过使用3D Swin UNETR结合统计形状模型半自动分割技术来代替人工分割膝关节有限元模型。Swin UNETR根据MRI生成个性化几何形状，统计形状模型平滑表面，这些操作是提高有限元模拟收敛率的重要步骤通过从220个MRI的训练数据集中捕获形状变化[24-27]，统计形状模型始终能提供高质量的表面。这些优点使得Swin UNETR和统计形状模型成为一种有价值的半自动化方法。
一般来说，几何模型(如统计形状模型)需要手动选择地标。由于个体内部的差异性，这会对准确性、可重复性和分割时间产生一定的影响。然而，此次研究利用 Swin UNETR为统计形状模型自动生成无限地标，从而解决了这一难题。这种模型可以捕捉空间和远距离信息，从而实现更精确的分割[27]。
总体而言，Swin UNETR和统计形状模型的分割性能表现出较高的DSC值(表 1)，与人工分割非常吻合。Swin UNETR和统计形状模型方法显示出较低的平均距离与人工分割表面基本一致。与现有的膝关节图像分割算法相比，此次研究中股骨和胫骨的DSC分别为 98.31%和98.42%，这些结果与之前的研究结果相当。例如，最近的一项研究报告显示，胫骨的DSC为 96.2%，股骨的DSC为 97.0%[51]。另外2项最新研究显示，胫骨和股骨的DSC分别为98%-99%和98.6%[27，52]。然而，这些研究并未将其分割模型用于分析有限元模型的力学性能。此次研究试图弥补先进的分割模型在生物力学工程中应用之间的差距，这一点非常重要，因为较好的 DSC并不能保证其建立出来的有限元模型具有较好的力学性能，必须对半自动有限元模型进行力学验证。此次研究通过比较半自动有限元模型和手动有限元模型的DSC、平均距离以及半月板、股骨软骨、胫骨软骨的等效应力峰值、最大主应力、最大剪切应力来验证半自动有限元模型与手动有限元模型的力学性能没有差异性。研究结果表明，半自动有限元模型和手动有限元模型的DSC均大于98%，平均距离均小于0.35 mm。在力学性能方面俩有限元模型的半月板、股骨软骨、胫骨软骨的等效应力峰值、最大主应力、最大剪切应力基本一致。此次研究与杨骏良等[38]的有限元模型施加同样的载荷条件(通过在股骨顶端施加纵向荷载750 N及10 Nm内翻力矩，模拟膝内翻)，结果表明此次研究中2个模型与杨骏良等[38]建立的有限元模型的力学性能基本一致。
此次研究可以缩短有限元分析的学习曲线：①如后续学者有需要可通过联系编辑部或通讯作者获得此次研究的代码，这将明显缩短后续研究者的有限元分析学习曲线；②此次研究中半自动分割需要大约20 min的计算时间(Swin UNETR为12 min，统计形状模型为8 min)来生成胫骨和股骨几何结构，而手动分割需要大约180 min(在Mimics 软件中手动分割大约需要100 min，在Geomagic Studio软件中平滑处理大约需要80 min)，这明显提高了股骨与胫骨分割的效率。
目前的研究有一定的局限性：①此次研究MRI数据较少，仅收集到220个MRI数据；②有限元模型仅建立2个，这会限制研究结果的普遍性；未来的研究应建立更多的有限元模型，并考虑使用自动网格划分技术[22，53]，同时确保一致的几何形状，以实现高收敛率；③仅对股骨和胫骨进行半自动分割，未对软骨几何形状进行分割；在未来的研究中，所提出的程序可以应用于软骨，而不是手动分割，沿着自动软骨网格生成技术[54]，这将推动膝关节有限元模型的发展走向全自动化；④此次研究所提出的半自动分割方法仅对膝骨关节炎等级位于Ⅰ-Ⅲ级之间患者的膝关节影像进行了分割，未对其他等级或者其他膝关节疾病患者的影像进行分割。
结论：此次研究中Swin UNETR和统计形状模型的集成在MRI分割中表现出显著的有效性。通过利用Swin UNETR和统计形状模型的优势，不仅提高了分割精度，还为有限元模型创建了合适的形状和几何形状，有助于研究者迅速实现特定于受试者的膝关节分割。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

基于半自动分割技术的膝关节有限元建模

Finite element modeling of knee joint based on semi-automatic segmentation technology

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 4

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	周金海, 李江伟, 王序全, 庄颖, 赵瑛, 杨渝勇, 王嘉嘉, 杨阳, 周仕炼. 不同骨强度下全膝置换过程中发生股骨前皮质切迹的三维有限元分析[J]. 中国组织工程研究, 2025, 29(9): 1775-1782.
[2]	王佩光, 张小文, 麦美斯, 黎璐茜, 黄浩. 广义估计方程评估浮针法联合穴位埋线治疗不同分期膝骨关节炎的疗效[J]. 中国组织工程研究, 2025, 29(8): 1565-1571.
[3]	王娟, 王广兰, 左会武. 运动疗法对前交叉韧带重建后康复疗效影响的网状Meta分析[J]. 中国组织工程研究, 2025, 29(8): 1714-1726.
[4]	陈静, 张楠, 孟庆华, 鲍春雨. 不同年龄阶段膝关节有限元计算模型的材料特性分析[J]. 中国组织工程研究, 2025, 29(34): 7369-7375.
[5]	叶小龙, 张语暄, 富荣昌, 刘云, 玉散江·吾休尔, 艾斯卡尔·艾麦尔, 马原. 青少年特发性脊柱侧弯的三维有限元模态分析[J]. 中国组织工程研究, 2025, 29(33): 7072-7079.
[6]	蒋涛, 张传开, 郝亮, 刘勇. MAKO机器人与导航辅助膝关节置换：下肢力线及假体位置准确性比较[J]. 中国组织工程研究, 2025, 29(33): 7150-7157.
[7]	刘宁, 孙英晋, 黄珑, 冯硕, 陈向阳. 胫骨假体在牛津单髁置换过程中的最优旋转角度[J]. 中国组织工程研究, 2025, 29(33): 7158-7164.
[8]	石雷, 施松, 陆跃, 陶然, 马洪冬. 膝关节单髁置换与胫骨高位截骨治疗内翻性膝骨关节炎的比较[J]. 中国组织工程研究, 2025, 29(3): 503-509.
[9]	苏德君, 董万鹏, 董跃福, 张吉超, 张震. 非对称型假体设计及全膝关节置换后的力学分析[J]. 中国组织工程研究, 2025, 29(3): 510-516.
[10]	胡正辉, 张文, 衡红全, 任伟志, 吴晨颖, 顾增辉, 彭建, 李柳炳, 徐炜. 后外侧胫骨平台骨折应用万向螺钉的有限元分析[J]. 中国组织工程研究, 2025, 29(27): 5735-5742.
[11]	位长强, 于洪建, 刘宁宁, 张寅啸. 下肢力线调整区域对胫骨高位截骨后膝关节功能及运动学的影响[J]. 中国组织工程研究, 2025, 29(27): 5743-5749.
[12]	朱哲越, 张晨, 葛莹, 薛晗, 李若尘, 吴光伟, 马瑞. 新型关节韧带数字体查仪量化评估前交叉韧带部分损伤后的膝关节松弛度[J]. 中国组织工程研究, 2025, 29(27): 5795-5801.
[13]	王熠军, 郑恺, 张连方, 朱锋, 张韦成, 李荣群, 周军, 徐耀增. 导航辅助全膝关节置换应用功能学对线恢复患者固有生理力线和关节线倾角[J]. 中国组织工程研究, 2025, 29(27): 5810-5818.
[14]	张一龙, 吴婉玲, 杨文武, 吴鸿涛, 刘文刚, 何敏仪, 赵传喜. 全膝关节置换前膝关节伸屈肌肌肉力量与置换后步态功能的关系[J]. 中国组织工程研究, 2025, 29(27): 5819-5825.
[15]	丁源, 巩建宝, 张杰, 乔原, 徐文龙. 单髁关节置换后患者膝关节等速肌力的特征分析[J]. 中国组织工程研究, 2025, 29(27): 5833-5838.