机器学习和算法方法对机器学习和算法方法进行比较研究,以自动识别正常和动脉瘤人类大动脉组织中的收益点

科学领域:

• 生物力学 生物力学
• 材料科学 材料科学 材料科学
• 生物医学工程 生物医学工程

背景情况:

• 描述软组织的机械行为对于理解组织完整性至关重要.
• 在软组织中,由于非线性行为和主观视觉检查方法,识别产量点,表明不可逆转的微观结构损伤,具有挑战性.
• 自动化收益率点识别是客观和高效的生物力学分析所需的.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于客观识别生物软组织的产量点.
• 为了克服人工视觉检查的主观性和局限性,用于收益率点的确定.
• 加强软组织生物机械分析管道的自动化.

主要方法:

• 从各种主动脉组织样本 (动脉瘤/非动脉瘤,纵向/周围) 收集了279个单轴延伸曲线.
• 使用专家评判来标记应力-应变曲线上的收益率点.
• 在标记的数据上训练了一个机器学习模型来预测收益率点.

主要成果:

• 经过训练的ML模型在识别不同类型的大动脉组织的产量点方面表现出高准确性.
• 与专家评估相比,该模型在估计收益压力时取得了5%的中位误差.
• 该研究证实了使用ML用于软组织客观生物力学性质评估的可行性.

结论:

• 机器学习提供了一个准确而客观的方法来确定软组织的产量点.
• 这种自动化方法可以显著提高软组织生物力学分析的可靠性和效率.
• 计划对ML模型进行进一步的验证和改进,包括视觉损伤检查.