- 2 次围观
将医学影像转换为具有解剖学细节、受试者特异性的有限元（FE）模型，是脑计算建模领域长期存在的瓶颈。这些模型用于预测脑组织变形，例如创伤性脑损伤中的脑组织变形、脑部药物递送中的粒子扩散，以及神经系统疾病中的其他生物物理现象。然而，现有模型构建流程依赖于手工图像分割、专有网格划分软件，以及对脑膜和界面结构进行劳动密集型修复，从而限制了结果的可重复性和队列分析。 本文提出PARS，这是一条完全自动化的开源流程，可将T1加权MRI扫描转换为可直接用于仿真的有限元头部模型。PARS将解剖分区与组织图谱相结合，并采用基于邻域的迭代重分类方法，从而生成无间隙的全头部标签体数据。随后，该体数据被直接转换为六面体网格，并通过算法重建的大脑镰、小脑幕、软脑膜和硬脑膜进行增强；同时在节点锁定方案约束下采用拉普拉斯平滑进行优化，以控制单元质量和显式求解器的稳定时间步长。 我们在23名受试者上评估了PARS，这些受试者的颅腔体积范围为832至1,329立方厘米，MRI分辨率为1.0、1.5和2.0 mm。在1 mm分辨率下，生成网格的Scaled Jacobian中位数达到0.976，总颅内体积误差约为0.54；在1.5 mm（SJ为0.933）和2 mm（SJ为0.921）分辨率下，网格质量仍然保持较高水平。每名受试者的模型构建时间为9至38分钟。由PARS生成的模型已通过尸体脑位移数据验证，并在创伤性脑损伤和正常压力脑积水研究中显示出应用价值。PARS提供了一种开放获取、可重复的资源，显著降低了受试者特异性脑建模的门槛。
将医学影像转换为具有解剖学细节、受试者特异性的有限元（FE）模型，一直是脑计算建模中的长期瓶颈。这些模型用于预测脑组织变形，例如创伤性脑损伤中的脑组织变形、脑部给药中的粒子扩散，以及神经系统疾病中其他生物物理现象。然而，现有的模型创建工作流程依赖于手动图像分割、专有网格划分软件，以及对脑膜和界面结构进行劳动密集型修复，从而限制了可重复性和队列分析。
在此，我们提出了 PARS，这是一种完全自动化、开源的流程，可将 T1 加权 MRI 扫描转换为可直接用于仿真的有限元头部模型。PARS 将解剖分区与组织图谱相结合，并采用基于邻域的迭代重分类方法，从而生成无间隙的全头部标签体数据。随后，该体数据被直接转换为六面体网格，并通过算法重建的大脑镰、小脑幕、软脑膜和硬脑膜进行增强；同时，在一种节点锁定方案下采用拉普拉斯平滑进行优化，以控制单元质量和显式求解器的稳定时间步长。
我们在 23 名受试者上评估了 PARS，这些受试者的颅腔体积范围为 832 至 1,329 立方厘米，MRI 分辨率分别为 1.0、1.5 和 2.0 mm。在 1 mm 分辨率下，生成网格的 Scaled Jacobian 中位数达到 0.976，总颅内容积误差约为 0.54；在 1.5 mm（SJ 为 0.933）和 2 mm（SJ 为 0.921）分辨率下，质量仍保持较高水平。每名受试者的模型创建时间为 9 至 38 分钟。由 PARS 生成的模型已通过尸体脑位移数据验证，并已证明在创伤性脑损伤和正常压力脑积水研究中具有应用价值。PARS 提供了一种开放获取、可重复的资源，显著降低了构建受试者特异性脑模型的门槛。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.05.736584v1?rss=1
🏷️ MRI 有限元建模 头部模型 自动化流程 开源工具 脑生物力学