使用通用回归神经网络进行自动的2D和3D有限元素超闭调整和网格变形
Thor E Andreassen1, Donald R Hume1, Landon D Hamilton1
1Center for Orthopaedic Biomechanics, Mechanical and Materials Engineering, University of Denver, Denver, CO, USA.
Medical engineering & physics
|April 15, 2024
概括
这项研究引入了新的通用回归神经网络 (GRNN) 算法,用于医疗应用中改进3D网格变形和超闭调整. 这些开源工具提高了3D几何在生物力学和骨科的可用性.
科学领域:
- 工程 工程师 工程师 工程师
- 医学科学 医学科学 医学科学
- 计算机科学 计算机科学
背景情况:
- 三维 (3D) 几何学对于工程和医学的模拟是必不可少的,特别是在生物力学和骨科.
- 获得3D有机结构的现有工具往往缺乏医疗应用的可用性,并且经常是专有产品.
- 需要可访问和有效的方法来处理3D医学几何形状.
研究的目的:
- 引入基于通用回归神经网络 (GRNN) 的网格变形和过闭调整的新算法.
- 提高3D几何形状的可用性,用于医学应用,特别是生物力学和骨科.
- 为更广泛的可访问性提供这些算法的开源实现.
主要方法:
- 开发了两种使用通用回归神经网络 (GRNN) 的新算法.
- 实施网格变形和过密调整过程.
- 通过测试案例验证算法,并与现有的辐射基函数 (RBF) 网络方法进行比较.
主要成果:
- 与现有的RBF网络技术相比,基于GRNN的算法显示出更好的性能.
- 成功实施和验证网格变形和过密调整过程.
- 发布了公开可用的 MATLAB 实现和源代码.
结论:
- 基于GRNN的新型算法为医疗环境中的3D网格处理提供了增强的性能.
- 这些工具的开源可用性有助于在生物力学和骨科研究中采用它们.
- 这项工作解决了医疗应用中可用的和可访问的3D几何处理工具的缺口.
