相关实验视频
Updated: Jun 13, 2025
10:32
Transvaginal Mesh Insertion in the Ovine Model
Published on: July 27, 2017
16.0K
深度学习降低了阴道撕裂传播的顺序模型
William Snyder1, Mostafa Zakeri1, Justin Krometis2
1Department of Mechanical Engineering, 325 Stanger Street, Blacksburg, 24061, VA, United States.
概括
结合有限元分析,正确的直角分解和机器学习的计算模型可以预测分娩期间的阴道撕裂. 这些方法提供更快,非侵入性预测分娩并发症,改善母亲的健康结果.
科学领域:
- 生物医学工程 生物医学工程
- 计算力学 计算力学 计算力学
- 产科 产科 产科 产科 产科
背景情况:
- 分娩可能会造成严重的孕产妇创伤,包括阴道撕裂和骨盆底障碍.
- 目前的临床方法难以准确预测与阴道分娩相关的并发症.
- 了解阴道生物力学对于预防长期孕产妇健康问题至关重要.
研究的目的:
- 开发新的计算方法来预测在分娩期间的阴道变形和撕裂.
- 整合有限元 (FE) 分析,正确的直角分解 (POD) 和机器学习 (ML) 以提高预测准确度.
- 创建高效的计算工具,以进行阴道组织损伤的非侵入性量化.
主要方法:
- 使用ex vivo动物数据创建了阴道的FE模型,模拟增加压力和撕裂传播.
- 使用FE位移现场快照开发了全订单ML模型和基于POD的减少订单模型.
- 使用ML算法计算了两种模型类型的系数,分析了不同的原纤维组织.
主要成果:
- 两种全序ML和POD-ML模型都准确地近似了FE结果,根平均平方误差为O{10^-2).
- 与ML模型相比,POD-ML模型表现出更高的训练效率 (10秒) 与ML模型 (10秒) 相比.
- 两种模型的预测时间都很快 (O(10^-3) 秒),可以快速在线评估.
结论:
- 结合FE分析,POD和ML,为预测阴道分娩结果提供了一个强大的计算框架.
- 基于POD的减少订单模型在培训效率方面提供了显著的优势,而不会影响预测准确度.
- 这些计算工具代表了一种有希望的非侵入性方法来量化阴道组织变形和撕裂,有助于预测和预防与分娩有关的伤害.
