关于混合深度3D卷积神经网络算法的应用,用于预测大脑白质的微力学
Xuehai Wu1, Parameshwaran Pasupathy1, Assimina A Pelegri1
1Department of Mechanical and Aerospace Engineering, Rutgers, The State University of New Jersey, Piscataway, NJ 08854, USA.
Computer methods and programs in biomedicine
|September 4, 2024
概括
这项研究引入了一种新的深度学习算法,即多尺度3D ResNet (M3DR),以准确预测大脑白质 (BWM) 属性. M3DR克服了计算挑战,为BWM表征提供了传统有限元素建模的高效替代方案.
科学领域:
- 计算神经科学是一种计算神经科学.
- 生物材料科学是生物材料的科学.
- 机器学习在医学中的应用.
背景情况:
- 鉴定大脑白质 (BWM) 的特征是具有挑战性的,因为它具有复杂的异质微观结构和异质组织组成.
- 在多个尺度上为BWM开发精确的有限元模型是计算密集型的,并面临重大障碍.
- 之前的方法涉及复杂的单元细胞模型,具有许多常数,以定义异型粘弹性特性.
研究的目的:
- 开发先进的3D深度学习算法,用于预测BWM的异构复合物特性.
- 扩展BWM微结构分析的代表体积元素 (RVE) 上的先前工作.
- 创建一个更有效,更准确的BWM材料表征计算框架.
主要方法:
- 利用3D卷积神经网络 (CNN),使用声化技术从3DRVE中提取几何信息.
- 输入数据包括来自voxelizedRVE的架构信息,材料属性作为输出数据.
- 整合了并行路径,残余神经网络和初始模块,以提高深度学习算法效率.
主要成果:
- 介绍并对各种CNN算法进行定量分析,用于预测BWM异型复合材料的性能.
- 确定了解释脑磁共振弹性成像 (MRE) 和扩散张力成像 (DTI) 组合测量的最佳策略.
- 展示了不同CNN架构在捕捉BWM复杂物质行为的有效性.
结论:
- 拟议的多尺度3D ResNet (M3DR) 算法在预测BWM组织特性方面,与基线CNN相比,表现出优越的学习能力和性能.
- M3DR框架成功地解决了有限元方法的局限性,包括高计算成本和模拟失败.
- 开发的框架为建模BWM的内在属性,边界条件和接口架构提供了一个有效的平台.
