面向数据驱动弹性成像的笛卡尔神经网络本构模型
机器学习
2018-09-13 v1 机器学习
摘要
弹性图像将软组织的生物力学特性映射出来，以辅助病理状态的检测与诊断。特别是，准静态超声（US）弹性成像技术在 US 扫描期间利用力-位移测量来参数化时空应力-应变行为。当前方法采用基于模型的反演方法来估计与所选本构模型相关的参数。然而，基于模型的方法依赖于对组织生物力学特性的简化假设，通常将弹性成像限制于成像一个或两个线弹性参数。我们此前描述了一种数据驱动方法，用于构建从力-位移数据中学习应力-应变关系的神经网络本构模型（NNCMs）。利用在明胶仿体上获得的测量数据，我们证明了 NNCMs 无需初始模型假设即可表征线弹性力学特性，从而规避了经典基于模型的反问题方法中通常遇到的数学约束。尽管取得成功，我们仍需利用物体内部形状的先验知识来定义表现出不同材料特性的区域的空间分布。在此，我们引入笛卡尔神经网络本构模型（CaNNCMs），其能够利用数据同时对线弹性力学特性及其空间分布进行建模。我们证明了 CaNNCMs 利用来自模拟仿体的应力-应变数据捕捉任意材料特性分布的能力。此外，我们展示了训练好的 CaNNCM 可用于重建杨氏模量图像。CaNNCMs 是迈向数据驱动建模并成像软组织复杂力学特性的重要一步。
引用
@article{arxiv.1809.04121,
title = {Cartesian Neural Network Constitutive Models for Data-driven Elasticity Imaging},
author = {Cameron Hoerig and Jamshid Ghaboussi and Michael F. Insana},
journal= {arXiv preprint arXiv:1809.04121},
year = {2018}
}
备注
22 pages, 8 figures