Plataforma computacional para el análisis probabilístico de … · imágenes tomográficas para...
Transcript of Plataforma computacional para el análisis probabilístico de … · imágenes tomográficas para...
Plataforma computacional para el análisis probabilístico de
modelos óseos basados en TAC
M Ciaccia1,2
, C Müller-Karger1, E Casanova
1 y T San Antonio
1,2
1Grupo de Biomecánica, Universidad Simón Bolívar, Caracas, Venezuela.
2Centro de Investigaciones en Mecánica (CIMEC), Facultad de Ingeniería,
Universidad de Carabobo, Valencia, Venezuela.
Correo: [email protected]
Resumen. Los modelos óseos personalizados que se construyen a partir de tomografías axiales
computarizadas se emplean para evaluar las distribuciones de esfuerzos y deformaciones, el
comportamiento de implantes y el riesgo de fractura, entre otros. Las tomografías permiten
obtener la distribución de densidades con la cual se calculan propiedades mecánicas utilizando
ecuaciones experimentales. Sin embargo, la dispersión inherente a las ecuaciones puede afectar
de forma significativa el comportamiento de los modelos óseos. El objetivo de esta
investigación es desarrollar programas que permitan el muestreo de las variables
probabilísticas de entrada y el análisis de las variables probabilísticas de salida. Los resultados
de este trabajo predicen un 16.9% de probabilidad de que ocurra una falla. La comparación de
estos resultados con los de otros trabajos publicados permite concluir que los programas
desarrollados para la generación y asignación de propiedades mecánicas al modelo óseo, así
como el utilizado para procesar los resultados finales funcionan adecuadamente. Esto significa
que se ha logrado integrar los programas comerciales y los desarrollados para este estudio en
una plataforma que permite el análisis probabilístico de modelos óseos con incertidumbre en
las propiedades mecánicas, de manera semi automatizada, sencilla y efectiva.
1. Introducción
Los métodos de análisis probabilístico permiten estudiar las incertidumbres y variaciones propias de
cualquier fenómeno simulado numéricamente. Si bien este tipo de análisis ha sido ampliamente
utilizado en la industria automotriz y aeronáutica, sólo en los últimos años ha comenzado a aplicarse a
variables involucradas en estructuras biológicas, tales como la reconstrucción geométrica y la
asignación de propiedades mecánicas a modelos personalizados de huesos.
Los modelos óseos personalizados que se construyen a partir de tomografías axiales
computarizadas (TAC) se emplean para evaluar las distribuciones de esfuerzos y deformaciones, el
comportamiento de implantes y el riesgo de fractura, entre otros. A partir de las TAC se puede obtener
la distribución de densidades con la cual se calculan propiedades mecánicas, tales como el módulo de
elasticidad y la resistencia a la fractura, utilizando correlaciones determinadas experimentalmente [1,
2, 4, 8, 9]. Sin embargo, la dispersión inherente a las correlaciones experimentales puede afectar
significativamente los resultados y conclusiones referentes al comportamiento de los modelos óseos
[7,10].
Esta investigación representa los primeros pasos en la creación de una plataforma computacional
para el análisis probabilístico de modelos óseos con materiales complejos. El objetivo de esta etapa es
desarrollar los programas que permitan el muestreo de las variables probabilísticas de entrada y el
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
análisis de las variables probabilísticas de salida. Con el fin de validar la metodología desarrollada en
este trabajo se incorporarán al modelo las condiciones de contorno utilizadas por Laz et al. [7], de
forma que los resultados sean comparables.
2. Metodología
2.1. Construcción del modelo heterogéneo de fémur
Se utilizaron TAC de un fémur perteneciente a un paciente masculino de 38 años de edad, 1.77 m de
estatura y 95 kg de peso en aparente buen estado de salud. El procedimiento para generar el modelo de
154 mm de longitud se puede resumir en tres etapas: (1) se reconstruyó la superficie utilizando las
TAC mediante un proceso de segmentación para generar los contornos en el programa SurfDriver, (2)
se importaron los contornos al programa ANSYS para suavizarlos y generar un volumen a partir de
éstos, (3) se construyeron mallas de elementos finitos a partir del volumen creado, utilizando
tetraedros de 10 nodos. El tamaño de la arista del elemento se varió de 7 a 2.5 mm (17403 a 231819
elementos) a fin de obtener la convergencia. Se seleccionó la malla 4 con 99614 elementos con una
longitud de arista de 3.4 mm.
A fin de crear un modelo heterogéneo se asignó un valor de densidad aparente a cada elemento.
Esto se realizó con el programa doméstico GVDensity, el cual lee las unidades Hounsdfield (UH) de las
imágenes tomográficas para cuatro puntos de Gauss y calcula la densidad aparente por medio de la
ecuación de calibración del tomógrafo (1), la cual se estableció como determinística para este estudio.
= 0.0007625*UH+0.7808 (g/cm3) (1)
Finalmente, la densidad asignada al centroide de cada elemento ( e ) se calculó como un promedio
ponderado de la densidad aparente () en cada punto de Gauss utilizando la ecuación (2):
e
4
1e 4
e
1
, , d ( , , )det ( , , )
det ( , , )
J
J
i i i i i i iV i
i i i ii
x y z V w
Vw
(2)
Donde Ve es el volumen del elemento e, (x,y,z) son las coordenadas en el sistema de referencia de
las TAC, ( , , ) i i i son las coordenadas locales del punto de Gauss en el sistema de referencia del
elemento, wi es la función de ponderación de la integración numérica de Gauss, y J representa el
jacobiano de la transformación.
2.2. Condiciones de borde
Con la intención de validar la metodología se aplicaron condiciones de borde (CB) similares a las
presentadas por Laz et al. [7]. Así, se aplicó una carga de 10 kN en la cabeza del fémur a un ángulo de
20 del eje longitudinal en el plano frontal. Dicha carga está basada en la fase de apoyo del ciclo de
marcha (ver figura 1). La fuerza se aplicó en la cabeza del fémur y se distribuyó uniformemente entre
los nodos ubicados aproximadamente a 1.5 cm del punto de aplicación. Adicionalmente se
restringieron todos los desplazamientos en los nodos del extremo distal del modelo.
2.3. Análisis probabilístico
Como método probabilístico se utilizó la simulación de Monte Carlo, por su facilidad de
implementación y la precisión de sus resultados.
En la tabla 1 se presentan las variables probabilísticas de entrada que se utilizaron en este estudio
para construir un modelo heterogéneo con un material lineal, frágil e isotrópico. El módulo de
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
elasticidad (E) y la resistencia a la ruptura (S) son funciones de la densidad y de las variables
probabilísticas de entrada, las cuales tienen una distribución normal. Las medias de las cuatro
variables (a, b, c, d) y las desviaciones estándar para los exponentes están basadas en los datos
obtenidos por Keller [3] a partir de sus ensayos con 297 especímenes. Los valores de las desviaciones
estándar de los coeficientes se fijaron de forma que un análisis de Monte Carlo de 1000 muestras
realizado con variabilidad en todos los parámetros contuviera ajustadamente la dispersión observada
en los datos, tanto del módulo de elasticidad como de la resistencia [7].
Se establecieron como variables probabilísticas de salida el esfuerzo máximo de von Mises (vm) y
el riesgo de fractura (RF), el cual se define mediante la ecuación (3):
RF = vmS-1
(3)
Se utilizó el esfuerzo máximo de von Mises como variable de salida ya que éste permite evaluar el
desempeño de la plataforma computacional desarrollada. Por otra parte, el riesgo de fractura se
selecciona debido a su importancia en diversas aplicaciones clínicas.
2.4. Plataforma computacional
La plataforma computacional elaborada se muestra gráficamente en la figura 2, donde en cada paso,
numerado en la esquina superior izquierda de los cuadros, se indica el nombre del programa
desarrollado y la herramienta de programación utilizada.
A continuación se describen los tres pasos que conforman la plataforma para realizar el análisis
probabilístico de un modelo de fémur. Esta requiere como entradas: la malla del modelo, las
condiciones de borde y la densidad aparente de cada elemento () calculada a partir de las TAC.
Figura 1. Recta de acción de la fuerza.
Tabla 1. Ecuaciones para las propiedades del material [7].
Ecuación Coeficiente Exponente
E (GPa)= ab a (= 1.99; = 0,30) b (= 3.46; = 0.12)
S (MPa)= cd c (= 26.9; = 2,69) d (= 3.05; = 0.09)
, : media y desviación estándar de la distribución normal.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
Paso 1. GVProb
Para realizar el análisis probabilístico se requiere muestrear repetidamente las propiedades del
material. El programa GVProb, desarrollado en el lenguaje C++, está diseñado para ser llamado desde
ANSYS y generar en cada llamado el módulo de elasticidad y la resistencia a la ruptura para cada
elemento de la malla a partir de las densidades. Para determinar las propiedades mecánicas (E, S),
GVProb calcula en cada iteración las variables probabilísticas (a, b, c, d) como muestras de
distribuciones normales que cumplen con la media () y desviación estándar () descritas en la tabla 1.
Paso 2. FemProb
Esta subrutina para ANSYS lee la malla y las condiciones de borde para crear el modelo,
posteriormente y de forma iterativa interactúa con el programa GVProb, para obtener un juego de
propiedades E y S que se asigna a cada elemento de la malla. Luego se efectúa la simulación y con el
esfuerzo de von Mises y la resistencia se calcula el riesgo de fractura almacenando los resultados de
forma que puedan utilizarse para ser analizados, en el caso de este estudio, mediante funciones de
distribución acumulativa (FDA) y funciones de densidad de probabilidad (FDP).
Paso 3. CDF
Finalmente, se escribió una subrutina para MATLAB que toma los resultados de las 1000
simulaciones de ANSYS y grafica las FDA y las FDP para las variables aleatorias riesgo de fractura y
esfuerzo máximo de von Mises. Esta subrutina permite especificar límites porcentuales inferior y
superior para la salida gráfica de los datos.
3. Resultados
3.1. Validación de la curva de calibración del tomógrafo
Utilizando la ecuación (1) se obtiene para las TAC del modelo de este estudio los valores mínimos,
máximos y medios para la densidad aparente, el módulo de elasticidad y la resistencia a la fractura, los
cuales están reportados en la tabla 2. Estos valores corresponden a la ecuación de Keller [3], utilizada
de forma determinística para obtener el módulo de elasticidad a partir de la densidad aparente. Los
valores reportados en la tabla 2 están en concordancia con los esperados para un fémur humano.
Tabla 2. Propiedades del material para el modelo de fémur
utilizando la curva de calibración del tomógrafo.
Propiedad Mínima Media Máxima
(g/cm3) 0.691 1.15 1.96
E (GPa) 0.523 3.48 14.5
S (MPa) 9.49 53.9 209
3.2. Análisis probabilístico
Se efectuaron 1000 iteraciones, las cuales tomaron un tiempo computacional de 14.2 horas, con un
promedio de 51.3 segundos por corrida en un computador con un procesador de doble núcleo a
2.66 GHz, sistema operativo de 64 bits y 6 GB de memoria. En la figura 3 se muestran las
distribuciones del esfuerzo de von Mises, resistencia a la fractura y riesgo de fractura para una de las
FDA
Histograma
TAC CDF
(MATLAB)
E, S , RF GVProb
(C++)
FemProb
(ANSYS)
Malla y CB
1 2 3
Análisis
Figura 2. Plataforma computacional para análisis probabilístico.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
corridas. Se puede observar que las distribuciones de esfuerzo y de riesgo de fractura son coherentes
entre sí, siendo la zona de mayor riesgo de fractura más amplia que la región de mayor esfuerzo, y
estando ambas ubicadas en la parte inferior del cuello del fémur. En la figura 4 se presentan las
funciones de distribución acumulativa y las funciones de densidad de probabilidad correspondientes al
esfuerzo máximo de von Mises y el riesgo de fractura.
Para el modelo de fémur proximal analizado se obtuvo que la media del módulo de elasticidad
(a) (b)
(c) (d)
Figura 4. Resultados, (a) FDA del esfuerzo de von Mises, (b) FDP del esfuerzo de von Mises,
(c) FDA del riesgo de fractura, (d) FDP del riesgo de fractura.
(a) (b) (c)
Bajo Alto
Figura 3. Distribuciones, (a) esfuerzo de von Mises, (b) resistencia a la fractura, (c) riesgo de fractura.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
promedio fue de 4428 MPa y los valores límites (1% y 99%) de 2794 y 6207 MPa respectivamente. El
esfuerzo máximo medio fue de 118 MPa y sus valores límites (1% y 99%) de 113 y 123 MPa
respectivamente. La media del riesgo de fractura fue de 0.909 y con unos valores límites (1% y 99%) de
0.730 y 1.22 respectivamente.
4. Discusión
Los parámetros probabilísticos utilizados producen valores de propiedades mecánicas en los rangos
correctos para el fémur humano [7], siendo la variabilidad del módulo de elasticidad promedio de
77.1% y la del esfuerzo máximo de 8.5%.
Las distribuciones del esfuerzo y del riesgo de fractura que se muestran en la figura 3 son
consistentes con la carga aplicada. En dicha figura también se puede observar que la distribución de la
resistencia a la fractura es más elevada en la epífisis del hueso, coincidiendo con la distribución
fisiológica de densidades. Los resultados indican que el riesgo de fractura se concentra en el cuello del
fémur, con un 16.9% de probabilidades de que ocurra dicha falla (figura 4c), en concordancia con la
evidencia experimental [4, 5, 6] y a diferencia del trabajo de Laz et al. [7], en el cual se predice que la
probabilidad de que ocurra la fractura es cero.
La figura 4 muestra cómo el sistema transforma las variables de entrada, con distribución normal,
para producir las variables de salida. La FDP para el esfuerzo de von Mises exhibe una asimetría de
0.0111 y una curtosis de -0.11, lo cual implica que tiene una distribución similar a la normal. En
contraste, la FDP del riesgo de falla se puede considerar log-normal, ya que al tomar el logaritmo
natural de este resultado se obtiene una asimetría de 0.348 y una curtosis de 0.29.
Con base en la afinidad que existe entre los resultados obtenidos en este trabajo y trabajos previos
[7], se puede concluir que los programas desarrollados para la generación y asignación de propiedades
mecánicas al modelo de EF, así como el utilizado para la creación de las FDA y FDP con los
resultados finales, funcionan adecuadamente. En consecuencia, se ha logrado integrar los programas
comerciales y los desarrollados en esta investigación en una plataforma que permite el análisis
probabilístico de modelos óseos con incertidumbre en las propiedades mecánicas, de manera semi
automatizada, sencilla y efectiva.
Referencias
[1] Carter D R y Hayes W C 1977 Journal of Bone and Joint Surgery 59-A 954–62.
[2] Hernandez C J, Beaupre G S, Keller T y Carter D R 2001 Bone 29 74–78.
[3] Keller T S 1994 Journal of Biomechanics 27 1159–68.
[4] Keyak J H 2000. Journal of Biomechanics 33 499–502.
[5] Keyak J H y Falkinstein Y. 2003 Medical Engineering & Physics 25 781–87.
[6] Keyak J H, Rossi S A, Jones K A, Les C M y Skinner H B 2001 Medical Engineering &
Physics 23 657–64.
[7] Laz P, Stowe J, Baldwin M, Petrella A y Rullkoetter P 2007. Journal of Biomechanics 40
2831-36.
[8] Morgan E F, Bayraktar H H y Keaveny T M 2003 Journal of Biomechanics 36 897–904.
[9] Rho J Y, Hobatho M C y Ashman R B 1995 Medical Engineering & Physics 17 347–55.
[10] Taddei F, Martelli S, Reggiani B, Cristofolini L y Viceconti M 2006 IEEE Transactions on
Biomedical Engineering 53 2194–2200.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011