SWENet:用于剪切波弹性图形的物理信息深度神经网络 (PINN)

科学领域:

• 生物医学工程 生物医学工程
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 剪切波弹性学 (SWE) 不侵入性地测量软材料的弹性特性.
• 传统的SWE方法在异质材料中与波折射作斗争.
• 准确的材料属性推断对于各种科学和医学应用至关重要.

研究的目的:

• 开发一种先进的SWE方法,克服当前技术的局限性.
• 引入基于物理信息的神经网络 (PINN) 的方法,用于增强弹性图形.
• 准确推断软材料中的异质机械性能.

主要方法:

• 提出了一种基于物理信息的神经网络 (PINN) 的剪切波弹性图形 (SWENet) 方法.
• 将弹性性质的空间变化编码为SWENet中的损失函数,并将其纳入管理方程中.
• 训练有素的神经网络使用波动快照来同时推断弹性属性.

主要成果:

• SWENet准确地识别了软复合材料中的剪切模块,其中含有毫米大小的入.
• 该方法在正规和不规则的纳入几何形状上都表现出高精度.
• 使用有限元模拟,幻象实验和ex vivo研究进行的验证.

结论:

• 通过利用更多的波动功能,SWENet提供了比传统SWE更好的性能.
• 该方法允许无集成多源数据进行反向分析.
• 在推断异质机械性质方面,SWENet显示出广泛应用的潜力,包括医学成像.