The first community competition designed to objectively compare the performance of particle tracking algorithms provides valuable practical information for both users and developers. Particle tracking is of key importance for quantitative analysis of intracellular dynamic processes from time-lapse microscopy image data. Because manually detecting and following large numbers of individual particles is not feasible, automated computational methods have been developed for these tasks by many groups. Aiming to perform an objective comparison of methods, we gathered the community and organized an open competition in which participating teams applied their own methods independently to a commonly defined data set including diverse scenarios. Performance was assessed using commonly defined measures. Although no single method performed best across all scenarios, the results revealed clear differences between the various approaches, leading to notable practical conclusions for users and developers.

Structural finite-element analysis (FEA) has been widely used to study the biomechanics of human tissues and organs, as well as tissue–medical device interactions, and treatment strategies. However, patient-specific FEA models usually require complex procedures to set up and long computing times to obtain final simulation results, preventing prompt feedback to clinicians in time-sensitive clinical applications. In this study, by using machine learning techniques, we developed a deep learning (DL) model to directly estimate the stress distributions of the aorta. The DL model was designed and trained to take the input of FEA and directly output the aortic wall stress distributions, bypassing the FEA calculation process. The trained DL model is capable of predicting the stress distributions with average errors of 0.492% and 0.891% in the Von Mises stress distribution and peak Von Mises stress, respectively. This study marks, to our knowledge, the first study that demonstrates the feasibility and great potential of using the DL technique as a fast and accurate surrogate of FEA for stress analysis.

Intervertebral disc disease, a prevalent ailment, frequently leads to intermittent or persistent low back pain, and diagnosing and assessing of this disease rely on accurate measurement of vertebral bone and intervertebral disc geometries from lumbar MR images. Deep neural network (DNN) models may assist clinicians with more efficient image segmentation of individual instances (discs and vertebrae) of the lumbar spine in an automated way, which is termed as instance image segmentation. In this work, we proposed SymTC, an innovative lumbar spine MR image segmentation model that combines the strengths of Transformer and Convolutional Neural Network (CNN). Specifically, we designed a parallel dual-path architecture to merge CNN layers and Transformer layers, and we integrated a novel position embedding into the self-attention module of Transformer, enhancing the utilization of positional information for more accurate segmentation. To further improve model performance, we introduced a new data synthesis technique to create synthetic yet realistic MR image dataset, named SSMSpine, which is made publicly available. We evaluated our SymTC and the other 16 representative image segmentation models on our private in-house dataset and public SSMSpine dataset, using two metrics, Dice Similarity Coefficient and the 95th percentile Hausdorff Distance. The results indicate that SymTC surpasses the other 16 methods, achieving the highest dice score of 96.169 % for segmenting vertebral bones and intervertebral discs on the SSMSpine dataset. The SymTC code and SSMSpine dataset are publicly available at https://github.com/jiasongchen/SymTC.

Motivation: Patient-specific finite element analysis (FEA) has the potential to aid in the prognosis of cardiovascular diseases by providing accurate stress and deformation analysis in various scenarios. It is known that patient-specific FEA is time-consuming and unsuitable for time-sensitive clinical applications. To mitigate this challenge, machine learning (ML) techniques, including deep neural networks (DNNs), have been developed to construct fast FEA surrogates. However, due to the data-driven nature of these ML models, they may not generalize well on new data, leading to unacceptable errors.We propose a synergistic integration of DNNs and finite element method (FEM) to overcome each other’s limitations. We demonstrated this novel integrative strategy in forward and inverse problems. For the forward problem, we developed DNNs using state-of-the-art architectures, and DNN outputs were then refined by FEM to ensure accuracy. For the inverse problem of heterogeneous material parameter identification, our method employs a DNN as regularization for the inverse analysis process to avoid erroneous material parameter distribution.We tested our methods on biomechanical analysis of the human aorta. For the forward problem, the DNN-only models yielded acceptable stress errors in majority of test cases; yet, for some test cases that could be out of the training distribution (OOD), the peak stress errors were larger than 50%. The DNN-FEM integration eliminated the large errors for these OOD cases. Moreover, the DNN-FEM integration was magnitudes faster than the FEM-only approach. For the inverse problem, the FEM-only inverse method led to errors larger than 50%, and our DNN-FEM integration significantly improved performance on the inverse problem with errors less than 1%.

The patient-specific biomechanical analysis of the aorta demands the in vivo mechanical properties of individual patients. Current inverse approaches have shown the feasibility of estimating the nonlinear, anisotropic material parameters from in vivo image data using certain optimization schemes. However, since such inverse methods are dependent on iterative nonlinear optimization, these methods are highly computation-intensive, which may take weeks to complete for only a single patient, inhibiting rapid feedback for clinical use. Recently, machine learning (ML) techniques have led to revolutionary breakthroughs in many applications. A potential paradigm-changing solution to the bottleneck associated with patient-specific computational modeling is to incorporate ML algorithms to expedite the procedure of in vivo material parameter identification. In this paper, we developed a ML-based approach to identify the material parameters from three-dimensional aorta geometries obtained at two different blood pressure levels, namely systolic and diastolic geometries. The nonlinear relationship between the two loaded shapes and the constitutive parameters are established by a ML-model, which was trained and tested using finite element (FE) simulation datasets. Cross-validation was used to adjust the ML-model structure on a training/validation dataset. The accuracy of the ML-model was examined using a testing dataset.

Abstract Intervertebral disc disease, a prevalent ailment, frequently leads to intermittent or persistent low back pain, and diagnosing and assessing of this disease rely on accurate measurement of vertebral bone and intervertebral disc geometries from lumbar MR images. Deep neural network (DNN) models may assist clinicians with more efficient image segmentation of individual instances (discs and vertebrae) of the lumbar spine in an automated way, which is termed as instance image segmentation. In this work, we evaluated 15 existing DNN models for lumbar spine MR image segmentation. We introduced a new data augmentation technique to create synthetic yet realistic MR image dataset, named SSMSpine, which is made publicly available. The 15 image segmentation models are evaluated on our private in-house dataset and the public SSMSpine dataset, using two metrics, Dice Similarity Coefficient and 95% Hausdorff Distance. The SSMSpine dataset are available at https://github.com/jiasongchen/SSMSpine .

Abstract Experimental studies have shown that aortic wall tensile strengths in circumferential and longitudinal directions are different (i.e., anisotropic), and vary significantly among patients with aortic aneurysm. To assess aneurysm rupture and dissection risk, material failure metric of the aortic wall needs to be accurately defined and determined. Previously such risk assessment methods have largely relied on deterministic or isotropic failure metric. In this study, we develop a novel probabilistic and anisotropic failure metric for risk stratification of ascending thoracic aortic aneurysm (ATAA). To this end, uniaxial tensile tests were performed using aortic tissue samples of 84 ATAA patients, from which a joint probability distribution of the anisotropic wall strengths was obtained. Next, the anisotropic failure probability (FP) based on the Tsai−Hill (TH) failure criterion was derived. The novel FP metric, which incorporates uncertainty in the anisotropic failure properties, can be evaluated after the aortic wall stresses are computed from patient-specific biomechanical analysis. For method validation, “ground-truth” risks of additional 41 ATAA patients were numerically-reconstructed using corresponding CT images and tissue testing data. Performance of different risk stratification methods (e.g., with and without patient-specific hyperelastic properties) was compared using p-value and receiver operating characteristic (ROC) curve. The results show that: (1) the probabilistic FP metric outperforms the deterministic TH metric; and (2) patient-specific hyperelastic properties can help to improve the performance of probabilistic FP metric in ATAA risk stratification.

Acute type A aortic dissection remains a deadly and elusive condition, with risk factors such as hypertension, bicuspid aortic valves, and genetic predispositions. As existing guidelines for surgical intervention based solely on aneurysm diameter face scrutiny, there is a growing need to consider other predictors and parameters, including wall stress, in assessing dissection risk. Through our research, we aim to elucidate the biomechanical underpinnings of aortic dissection and provide valuable insights into its prediction and prevention. We applied finite element analysis (FEA) to assess stress distribution on a rare dataset comprising computed tomography scans obtained from eight patients at three stages of aortic dissection: pre-dissection (preD), post-dissection (postD), and post-repair (postR). Our findings reveal significant increases in both mean and peak aortic wall stresses during the transition from the preD to postD state, reflecting the mechanical impact of dissection. Surgical repair effectively restores aortic wall stresses to pre-dissection levels across all regions, suggesting its effectiveness in mitigating biomechanical stress. Furthermore, we identified stress concentration regions within the aortic wall that closely correlated with observed dissection borders, offering insights into high-risk areas. This study demonstrates the importance of considering biomechanical factors when assessing aortic dissection risk. Despite some limitations such as uniform wall thickness assumptions and the absence of dynamic blood flow considerations, our patient-specific FEA approach provides valuable mechanistic insights into aortic dissection. These findings hold promise for improving predictive models and informing clinical decisions to enhance patient care.

It is well known that residual deformations/stresses alter the mechanical behavior of arteries, e.g. the pressure-diameter curves. In an effort to enable personalized analysis of the aortic wall stress, approaches have been developed to incorporate experimentally-derived residual deformations into in vivo loaded geometries in finite element simulations using thick-walled models. Solid elements are typically used to account for 'bending-like' residual deformations. Yet, the difficulty in obtaining patient-specific residual deformations and material properties has become one of the biggest challenges of these thick-walled models. In thin-walled models, fortunately, static determinacy offers an appealing prospect that allows for the calculation of the thin-walled membrane stress without patient-specific material properties. The membrane stress can be computed using forward analysis by enforcing an extremely stiff material property as penalty treatment, which is referred to as the forward penalty approach. However, thin-walled membrane elements, which have zero bending stiffness, are incompatible with the residual deformations, and therefore, it is often stated as a limitation of thin-walled models. In this paper, by comparing the predicted stresses from thin-walled models and thick-walled models, we demonstrate that the transmural mean hoop stress is the same for the two models and can be readily obtained from in vivo clinical images without knowing the patient-specific material properties and residual deformations. Computation of patient-specific mean hoop stress can be greatly simplified by using membrane model and the forward penalty approach, which may be clinically valuable.

Biological collagenous tissues comprised of networks of collagen fibers are suitable for a broad spectrum of medical applications owing to their attractive mechanical properties. In this study, we developed a noninvasive approach to estimate collagenous tissue elastic properties directly from microscopy images using Machine Learning (ML) techniques. Glutaraldehyde-treated bovine pericardium (GLBP) tissue, widely used in the fabrication of bioprosthetic heart valves and vascular patches, was chosen as a representative collagenous tissue. A Deep Learning model was designed and trained to process second harmonic generation (SHG) images of collagen networks in GLBP tissue samples, and directly predict the tissue elastic mechanical properties. The trained model is capable of identifying the overall tissue stiffness with a classification accuracy of 84%, and predicting the nonlinear anisotropic stress-strain curves with average regression errors of 0.021 and 0.031. Thus, this study demonstrates the feasibility and great potential of using the Deep Learning approach for fast and noninvasive assessment of collagenous tissue elastic properties from microstructural images.