Borowska, Agnieszka, Gao, Hao, Lazarus, Alan et al. · 2022 · Int. J. Numer. Meth. Biomed. Engng.

#finite-element #continuum-mechanics #Bayesian-optimisation #cardiac-mechanics #parameter-inference

??? info "Metadata" DOI: 10.1002/cnm.3593

📄 Quick Note

摘要概述

本文将 Bayesian optimisation (BO) 框架引入基于 Holzapfel-Ogden (HO) 本构律的左心室被动力学参数反演问题，用于解决传统多步梯度优化 (HGO 算法) 因每次调用 Abaqus forward simulator 代价高昂而导致计算量过大的瓶颈。BO 用 Gaussian process 作为 surrogate model 近似目标函数，并以 Expected Improvement 作为 acquisition function 顺序选取下一查询点，从而在 exploration 与 exploitation 之间取得平衡。论文提出两种 surrogate 策略：target surrogate（直接近似总目标函数）与 partial error surrogate（分别近似各误差项再求和），并通过 Klotz-curve 先验项约束高压 (30 mmHg) 下的体积预测以避免在不可观测的高压区外推失真。基于四名健康志愿者 (HV A–D) 的 in vivo CMR 数据的实验表明，BO 在更少 forward 调用次数下收敛到比 HGO 与 SQP 更低的目标函数值，partial error surrogate 在多数 case 中略优于 target surrogate。

关键图表

Figure 1 — 心脏力学模型的反演 pipeline 示意图：CMR 影像 → LV 几何重建 → Abaqus forward simulator（在给定 HO 参数 θ 与压力下求解 BVP）→ 提取 8 mmHg 下的腔体积与 AHA 节段周向应变 → 与临床数据比对构造目标函数。一句话解读：清晰定义了从影像到参数反演的完整正向-逆向流程。

Figure 7 — Klotz-curve study 中 BO（target / partial error surrogate, 三次独立运行）与 HGO 在四名受试者上的目标函数收敛曲线对比，显示 BO 在更少迭代次数内收敛到更低值。一句话解读：实证了 BO 相对 HGO 在收敛速度与最终目标值两方面的双重优势。

Figure G8 — BO 收敛轨迹（虚线）与 SQP 从四个初始点得到的最终最优值（红点）、HGO 最优点（黑点）的对比，BO 轨迹始终低于所有 SQP 最优点。一句话解读：在同一 4 维参数空间下，BO 同样优于基于梯度的 state-of-the-art SQP 数值优化器。

与我的关联

该工作展示了如何在昂贵 FEM 正向模拟的语境下用 BO + GP surrogate 高效做参数反演，其 "partial error surrogate" 分解各误差项的思想对我用 G&R 模型做多目标参数标定有直接借鉴价值；Klotz-curve 先验约束高压外推的技巧也启示我在不可观测生理区间引入 ex vivo 经验律作为正则化。

🔬 Deep Note

摘要概述

本文针对左心室（left ventricle, LV）舒张期 cardio-mechanic 模型的参数推断问题，将 Bayesian optimisation（BO）框架引入 Holzapfel–Ogden（HO）本构律的参数估计。HO 模型控制方程无解析解，需依赖昂贵的有限元（FEM）前向仿真，使传统数值优化或采样方法计算量过大，难以临床推广。作者以 Gaussian process（GP）作为 surrogate model，配合 Expected Improvement（EI）acquisition function，并通过三项关键改进——(i) 将 Klotz-curve 经验律作为高压（30 mmHg）penalty 项嵌入目标函数，(ii) 用 probit GP 分类器处理未知约束以避免 simulator 崩溃，(iii) 提出 partial error surrogates 分别对各平方误差项建模——在四名健康志愿者（HV A–D）的 CMR 数据上实证 BO 在更少前向仿真次数内收敛到比 HGO 算法更低的损失值。文章还讨论了 surrogate 选择、acquisition function 改进、计算时间及未来多任务 BO 等方向。

研究问题与动机

核心问题：如何高效、稳健地从 in vivo CMR 数据推断 HO 本构参数，使其不仅在生理低压（8 mmHg）下拟合 strain 与 volume，也在临床不可观测的高压（30 mmHg）下保持生理合理性。动机有三：(1) 心肌被动刚度对 HFpEF 等舒张性心衰诊疗至关重要；(2) 八个 HO 参数强相关、可辨识性差，单纯 in vivo 数据不足以约束非线性硬化行为；(3) 现有 HGO 多步算法依赖专家知识、迭代次数多。作者明确区分 Bayesian optimisation（点估计、高效全局优化）与 Bayesian inference（后验不确定性量化），并强调前者为后者提供了快速 surrogate。

方法

本构律与前向模型。 采用 incompressible HO strain energy（式 1），含八个参数 \(\vartheta=(a,b,a_f,b_f,a_s,b_s,a_{fs},b_{fs})\)，invariants \(I_1,I_{4f},I_{4s},I_{8fs}\) 由 right Cauchy–Green tensor \(C=F^TF\) 构造（式 2）。Cauchy stress 由式 3 给出，含 Lagrange 乘子 \(p\)。准静态平衡方程（式 4）通过 Abaqus FEA 求解，边界 \(\Gamma_N\) 受 LV 腔压力 \(p_{\text{endo}}\)，\(\Gamma_D\) 固定位移。

参数降维。 八参数从 in vivo 数据不可辨识，沿用 Davies et al. 的 4 维 scaling 参数化（式 7）：\(\theta=(\theta_1,\theta_2,\theta_3,\theta_4)\) 相对参考值 \(\vartheta_0\) 缩放。参考值取自 Gao et al. 的 in vivo 群体平均。

目标函数。 基础目标 \(f_{O2}\)（式 6）匹配 8 mmHg 下的 LV volume 与 24 个 AHA segmental circumferential strains。Klotz 增强目标 \(f_{O2,\text{Klotz}}\)（式 11）增加高压 volume penalty，其中 \(V_{30}^{\text{Kl}}\) 由 Klotz 经验律 \(P=Ae^{B\tilde V}\)（式 9–10，\(\hat A=27.78,\hat B=2.76\)）预测，以 early-diastolic volume 近似 load-free volume \(V_0\)。

BO 算法。 GP surrogate 采用 Matérn 3/2 kernel with ARD（式 12），允许小 noise 方差以稳定矩阵求逆。Acquisition function 为 constraint-weighted EI：\(\text{EI}_{\text{con}}(x)=\text{EI}(x)P(x\in C)\)，其中 \(P(x\in C)\) 由 probit likelihood + expectation propagation 的 GP 分类器给出（label regression 在本应用不稳定）。Inner optimisation 用 OQNLP/Global Search 替代 multistart，避免 EI 多峰下不稳定。Partial error surrogates 是关键创新：将目标拆为 \(K'\) 个独立 GP（式 13–14），各自建模平方误差项，均值方差相加得总 surrogate moments，仍保持 EI 解析形式。另训 \(V_{30}\) emulator（输入 \(\theta,\hat V_0\)）避免每次评估都跑两次前向仿真。

关键假设： 各误差项相互独立（避免多输出 GP 开销）；incompressibility；basal plane 固定；early-diastolic volume 代理 load-free volume；Klotz 律跨个体普适。

结果

Basic study（无 Klotz）。 BO 在四例 HV 上均收敛到低于 HGO 的 \(y_{\min}\)，通常约 200 次迭代后平台（Table 3）。以 \(i_{\min}^{y_{\min}^{\text{HGO}}}\) 衡量，HV B/C/D 用 HGO 迭代次数的 1/4–1/7 即达到同等精度。Stretch-stress 曲线显示 HGO 在高 stretch（>1.15）预测更硬心肌；几何变形整体相似，差异集中在 apex（HV B）。

Klotz-curve study。 加入高压 penalty 后 BO 与 updated HGO 差距缩小但仍优于 HGO（Table 4）。\(V_{30}\) emulator 与 simulator Bland–Altman 差异在 \(10^{-3}\) 量级，emulator 无偏。三次独立 BO run 稳定。Synthetic data study（Appendix C）：10 组扰动数据下目标收敛至 \(10^{-5}\)，\(\theta_1,\theta_2\) 高精度，\(\theta_3,\theta_4\) 方差大。Uncertainty quantification（Appendix E）：residual bootstrap 给出 MAD 估计，HV A 不确定性最小、HV B 最大。Crash 分析（Appendix F）：崩溃点多对应 sheet-normal 方向过软参数，BO 因探索机制主动学习可行域。

讨论

作者指出 target 与 partial error surrogate 优劣 case-specific，建议并行尝试；partial surrogates 在 strain 数据异质性高（如 MI 患者）时更有优势。EI 在约束加权后失去解析性且可能 greedy，提议 Entropy Search、portfolio AF 等替代。计算上单次 BO 迭代中位 7 分钟，500 次约 2.5 天，仍难满足临床实时；多任务 BO 与 physics-informed NN 是加速方向。局限：standalone LV 模型忽略右室、瓣膜、心包；basal plane 固定因 2D cine 数据；全局刚度估计未捕捉空间异质性（MI 区域）。作者认为方法可推广至其他 HO-type 与 Fung-type 本构律。

个人批注

与我 SMC growth & remodeling（G&R）工作的关联：本文聚焦 passive 心肌参数推断，而 G&R 涉及时间演化的本构参数。可借鉴三点：(1) Klotz-curve penalty 思路——用 ex vivo 经验律约束 in vivo 不可观测的高压/远期行为，对 G&R 中无法 in vivo 测量的长期 remodel 状态有直接启发；(2) Partial error surrogates 比整体目标 surrogate 更灵活，适合我 G&R 中多目标（周向 strain、轴向 stress、体积）不同时间尺度的残差；(3) Crash classifier——FEniCS 中非线性求解常因参数进入非物理域不收敛，probit GP 分类器可避免重复试错。差异：本文模型为准静态、单一舒张末态，而 G&R 是 history-dependent，GP surrogate 需扩展到时间序列或参数轨迹。疑问：BO 给点估计而非后验，G&R 中参数时变如何用 GP 代理？多任务 BO 是否能跨 patient 复用 G&R 历史搜索？文章未涉及 active contraction 与 passive 耦合的辨识，这是 G&R 不可回避的难点。

与上下文的关系

引文网络定位。 本文直接建立在 Holzapfel & Ogden (2009) 本构律与 Gao et al. (2015) HGO 算法之上，参数降维沿用 Davies et al. (2019) emulation 工作，Klotz penalty 来自 Klotz et al. (2006)。BO 方法论上溯 Shahriari et al. (2016)、Jones et al. (1998, EI)、Snoek et al. (2012)。最相关工作 Fan et al. (2021) 用 BO+FE 估计两个生长参数，本文则聚焦 passive 本构参数，方向互补。

与队列中三篇的关系。 - 2009-VascularBiomech-Taylor & Humphrey：Taylor & Humphrey 明确提出 in vivo 材料参数辨识是血管生物力学关键 open problem。本文正是对该问题在 cardiac 层面的回应——用 BO + Klotz penalty 攻克 in vivo 数据不足导致的高压外推难题，是 Taylor & Humphrey 议题的具体方法学推进。 - 2023-StiffnessSensing-KarkhanehYousefi：若该文涉及细胞/组织级 stiffness sensing 机制，本文提供 organ 级宏观参数推断的对照——二者分别在微观力学信号与宏观影像辨识两端，互补理解刚度重构。 - 2016-MorphoelasticWound-Bowden：morphoelastic 框架处理生长与残余应力。本文 BO 框架若扩展到 G&R（如本文引 Fan et al. 2021），可与 morphoelastic growth law 的参数辨识对接——本文提供高效 inverse 方法，Bowden 提供正向 growth 本构，二者结合可解 G&R 参数推断难题。