在使用物理信息的神经网络的简化脊椎盘模型中进行预测性压力分析
Kwang Hyeon Kim1, Hae-Won Koo2, Byung-Jou Lee2
1Clinical Research Support Center, Inje University Ilsan Paik Hospital, Goyang, Republic of Korea.
Computer methods in biomechanics and biomedical engineering
|February 28, 2025
概括
这项研究引入了一个基于物理的神经网络 (PINN) 来预测脊椎磁盘压力,提高生物力学建模的准确性. 该模型准确预测压力模式,有助于临床干预脊柱健康.
科学领域:
- 生物机械工程 生物机械工程
- 计算机建模 计算建模
- 人工智能在医学中的应用
背景情况:
- 准确预测脊椎磁盘压力分布对于理解磁盘退化和开发有效治疗至关重要.
- 传统的生物机械模型往往需要大量的计算资源和简化假设.
- 基于物理学的神经网络 (PINNs) 通过将物理定律集成到深度学习模型中,提供了一种新的方法.
研究的目的:
- 开发和验证PINN模型,用于预测简化脊椎盘中的应力分布.
- 评估PINNs在脊柱结构的生物力学建模中的准确性和潜力.
- 在不同的负载条件下可视化压力模式,以告知临床应用.
主要方法:
- 开发了一个3D物理信息神经网络 (PINN) 模型.
- 该模型包含了3D空间输入,并使用自定义损失函数强制执行机械平衡.
- 在PINN的训练中,PINN使用了由弹性原理衍生的合成数据.
主要成果:
- 在合成数据上,PINN模型实现了0.026的平均绝对误差 (MAE) 和74.6%的R平方 (R2).
- 视觉化显示了在各种负载条件下明显的应力模式.
- 在顶部压缩负载下的z=1位置确定了峰值应力.
结论:
- PINNs显示出精确的脊柱结构生物力学建模的巨大潜力.
- 与传统方法相比,这种方法可以提高脊柱生物力学预测的准确性.
- 这些发现表明,PINN模型可以为脊柱疾病的临床干预提供信息.
