细微观尺度人体生物组织复杂建模研究

A deep understanding of the human biological tissue is of great significance in many fields, e.g., biology, medicine, mechanics, simulation, and life sciences. Studies until now mainly focus on simulation of the phenomenological behavior at macroscopic scale, which are difficult to clarify the internal physiological functions and pathological reasons. This research aims to study the modeling of complex human tissues at meso- and microscopic scales, to have a deep understanding of the structure–function relationship from appearance to essence. The main research contents include: obtain different modality data by combined use of micro CT and histological sections, study a theory of medical image modality transfer, by integrating the microscopic tissues spatial correlation and multi-scale hierarchical relationship into the deep learning framework, which can significantly enhance the image discrimination ability; Reconstruct meso- and microscopic 3D model of complex biological tissue and integrate the data of material composition and physiological function; Analysis the differences between normal biological tissues with typical diseases, degradation and old aging state at microscopic scale, clarify some physiological functions and related pathologic reasons; Further repair the pathological tissue model using solid texture synthesis method with constraints from deep learning, generate personalized tissue repair scaffold using the latest 3D printing technology, to provide technical support for medical diagnosis and rehabilitation. It is expected that the research findings can be of significance to the fields of biology and medicine, and represent a useful effort to other complex structure modeling applications in many fields.

关于人体生物组织的深入认知对生物、医学、力学、仿真和生命科学等众多领域具有重要意义，目前绝大部分研究只在宏观尺度上对表象行为进行建模，难以阐明内部生理功能和相关病理原因。本项目拟在细微观尺度对人体生物组织进行深入建模，以更好的从宏观到微观、从表象到本质阐明其结构和功能关系。主要研究内容包括：联合使用显微断层扫描和组织切片获取不同模态的数据，将细微观组织空间关联和多尺度层次关系融入深度学习框架，提出医学图像模态迁移理论，显著增强图像分辨能力；研究细微观尺度下人体组织复杂模型构建方法，集成物质成分和生理功能数据；分析正常生物组织与典型疾病、退化老化状态的区别，阐明部分生理功能和相关病理原因；从深度学习提取约束信息进行体纹理合成引导修复病理区域，结合3D打印生成组织修复支架，为个性化精准医疗提供技术支持。项目研究对图形建模和生物医学等领域有重要意义，对其它领域复杂结构的建模研究有广泛借鉴作用。

关于人体生物组织的深入认知对生物、医学、力学、仿真和生命科学等众多领域具有重要意义，目前绝大部分研究只在宏观尺度上对表象行为进行建模，难以阐明内部生理功能和相关病理原因。本项目在细微观尺度对人体生物组织进行深入建模，以更好的从宏观到微观、从表象到本质阐明其结构和功能关系。主要研究内容包括：联合使用显微断层扫描和组织切片获取不同模态的数据，将细微观组织空间关联和多尺度层次关系融入深度学习框架，提出医学图像模态迁移理论，为增强网络的泛化能力对数据进行多方面的增强扩展，采用生成对抗网络生成目标模态图像，加入有监督学习模块来监督高层语义信息的学习，加入配对判别器模块并且与常规判别器共享部分权重, 减轻过拟合的风险，增强图像的分辨能力；研究细微观尺度下人体组织复杂模型构建方法，采用基于机器学习的方法对图像进行自动分割，加入注意力机制模块来使网络更关注分割目标，改进网络的损失函数减轻类间不平衡所带来的分类误差，采用多尺度信息融合的方法提升组织分割的效果；分析正常生物组织与典型疾病、退化老化状态的区别，阐明部分生理功能和相关病理原因，引入三阶段多尺度的特征提取与特征选择，通过提取图像纹理和深度学习特征实现细微观医学图像识别分类的预测，对训练的细微观医学图像分类模型初步进行可解释性分析，采用深度堆叠网络作为分类模型，考虑模型解释和动态共识，解决了准确性和可解释性之间的矛盾；从深度学习提取约束信息进行体纹理合成引导修复病理区域，设计相关的纹理特征分布图，用多尺度纹理结构特征引导层修复区域体纹理的合成，先进行粗尺度层次的修复，生成比较显著的结构特征，再进行较细尺度的修复，生成细节纹理特征，再结合3D打印生成组织修复支架，为个性化精准医疗提供技术支持。项目研究对三维建模和生物医学等领域具有实际意义，对其它领域复杂结构的建模研究有多方面的借鉴作用。