基于物理信息神经网络的心肌生物力学模型中活性物质特性估计
机器学习
2025-05-07 v1 数值分析
数值分析
摘要
心肌生物力学中的主动应力模型考虑肌肉活动导致的机械变形，因而提供了电生理与机械特性之间的联系。对主动应力参数的准确评估是实现对心肌功能精确理解的关键，但在临床环境下尤其难以实现，尤其当仅依赖医学成像模态获取的位移和应变数据时。本文通过体外仿真研究，探讨使用物理信息神经网络（PINN）从此类成像数据推断心肌生物力学模型中主动合约参数的应用。具体而言，通过对所求状态和参数场分别采用两个神经网络进行参数化，并构建能量最小化问题以搜索最优网络参数，我们能够在各种设置下以高空间分辨率重建主动应力场。为此，我们还通过自适应加权方案、特定正则化策略、傅里叶特征以及合适的网络结构，改进了原始PINN学习算法。此外，我们全面分析损失权重在主动应力参数重建中的影响。最后，我们将该方法应用于组织不均匀性特征和心肌纤维化瘢痕检测。该方法为显著改善与心肌纤维化相关心脏疾病的诊断、治疗规划和管理提供了新途径。
引用
@article{arxiv.2505.03382,
title = {Physics-informed neural network estimation of active material properties in time-dependent cardiac biomechanical models},
author = {Matthias Höfler and Francesco Regazzoni and Stefano Pagani and Elias Karabelas and Christoph Augustin and Gundolf Haase and Gernot Plank and Federica Caforio},
journal= {arXiv preprint arXiv:2505.03382},
year = {2025}
}