通过物理信息的神经网络识别生物组织的异质微机械性质
Wensi Wu1,2, Mitchell Daneker3,4, Kevin T Turner5
1Department of Anesthesiology and Critical Care Medicine, Children's Hospital of Philadelphia, Philadelphia, PA 19104.
ArXiv
|May 15, 2024
概括
本研究介绍了一种基于物理的机器学习方法,用于绘制复杂生物组织中的弹性特性. 这种方法准确地识别了异质弹性,即使有噪音数据,也可以推进软材料的表征.
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
- 计算力学 计算力学 计算力学
背景情况:
- 生物组织的异质微机械性质在医学和工程中至关重要.
- 传统的方法很难确定软材料的全场弹性特性,特别是在大的变形下.
- 数据驱动模型对机械响应预测有希望,但推断弹性特性仍然具有挑战性.
研究的目的:
- 开发和评估基于物理的机器学习方法,用于识别非线性,大变形超弹性材料中的异质弹性图.
- 评估物理信息神经网络 (PINNs) 的准确性和计算效率.
- 证明该方法对复杂的生物组织和各种构成模型的适用性.
主要方法:
- 利用物理信息的神经网络 (PINNs) 来从机械响应数据中推断弹性图.
- 在复杂的结构图案模仿大脑和三膜组织的材料上测试了这种方法.
- 将改进的架构应用于乳腺癌组织实例,并评估新胡金,穆尼-里夫林和根特超弹性模型的性能.
主要成果:
- 通过PINNs,在各种复杂的材料中实现了对异质弹性图的高度准确的估计.
- 该方法证明了稳定性,即使在训练数据中噪声高达10%,也保持了准确性.
- 评估了计算效率,显示了PINN方法在实际应用中的可行性.
结论:
- 拟议的基于物理的机器学习方法有效地识别了非线性,大变形超弹性材料中的弹性图.
- 这种方法为表征复杂的生物组织和其他软材料提供了强大的工具.
- 这些发现对医学诊断,组织工程和生物机械建模具有重大意义.
更多相关视频
11:19Characterizing Multiscale Mechanical Properties of Brain Tissue Using Atomic Force Microscopy, Impact Indentation, and Rheometry
Published on: September 6, 2016
12.4K
10:45Anatomically Inspired Three-dimensional Micro-tissue Engineered Neural Networks for Nervous System Reconstruction, Modulation, and Modeling
Published on: May 31, 2017
13.1K
