×
刘敏亮；梁，梁；孙伟

一种基于物理信息的软生物组织通用神经网络本构模型。 （英语） Zbl 1506.74207号

计算。方法应用。机械。工程师。 372，文章ID 113402，17 p.（2020）.
摘要：本构建模是生物软组织力学行为应力分析的基础。最近，研究表明，经过监督学习训练的机器学习（ML）技术能够在输入和输出之间建立直接联系，这可以是本构建模中的应变和应力关系。在本研究中，我们开发了一种新的通用物理信息神经网络材料（NNMat）模型，该模型采用分层学习策略，步骤如下：（1）建立本构关系来描述一类材料的一般特征行为；（2） 确定个体的本构参数。提出了一种具有两组参数的新型神经网络结构：（1）用于表征一般弹性性质的类参数集；以及（2）用于描述单个材料响应的主题参数集（三个参数）。训练好的NNMat模型可以直接用于不同的对象，而无需重新训练类参数，并且只有对象参数被视为本构参数。在神经网络中使用跳跃连接来促进分层学习。对NNMat模型施加凸性约束，以确保本构模型在物理上相关。使用63个升胸主动脉瘤组织样本的双轴测试数据对NNMat模型进行训练、交叉验证和测试，并使用相同的拟合和测试程序将其与专家构建的模型（Holzapfel Gasser Ogden、Gasser Ogden Holzapfel和四个纤维家族）进行比较。我们的结果表明，与Holzapfel-Gasser-Ogden模型相比，NNMat模型在拟合（R^2值为0.9632 vs 0.9019，p=0.0053）和测试（R^1值为0.9471 vs 0.8556，p=0.0203）方面都具有明显更好的性能。提出的NNMat模型为本构建模提供了一种方便通用的方法。

引用于8文件

MSC公司：

74升15 生物力学固体力学
92C20美元 神经生物学

关键词：

本构模型；超弹性材料；机器学习；神经网络

软件：

AlexNet公司；GNMT公司；青蒿素；深度演讲；ImageNet公司；DeepFace公司；亚当；PyTorch公司
PDF格式BibTeX公司 XML格式引用
\textit{M.Liu}等人，计算。方法应用。机械。工程372，文章ID 113402，17 p.（2020；Zbl 1506.74207）
全文： 内政部 链接

参考文献：

[1] 泰勒，C.A。；Figueroa，C.A.，《心血管力学的患者特异性建模》，年。生物识别版本。工程师，1109-134（2009）
[2] 查巴纳斯，M。；卢博兹，V。；Payan，Y.，计算机辅助颌面外科面部软组织的患者专用有限元模型，医学图像分析。，7, 131-151 (2003)
[3] Wittek，A。；Miller，K。；Kikinis，R。；Warfield，S.K.，《特定患者脑变形模型：在医学图像配准中的应用》，J.Biomech。，40, 919-929 (2007)
[4] J.Humphrey，《生物力学导论》，斯普林格出版社·Zbl 1067.92011号
[5] Fung，Y。；Fronek，K。；Patitucci，P.，《动脉的伪弹性及其数学表达式的选择》，Amer。《生理学杂志》-心脏循环生理学。，237，H620-H631（1979）
[6] Fung，Y.c.，《生物力学：活组织的力学特性》（2013），Springer Science&Business Media
[7] Fung，Y.，《简单伸长率下软组织的弹性》，Amer。《生理学杂志》-腿。内容，2131532-1544（1967）
[8] 汉弗莱，J.D。；斯特伦普夫，R.K。；Yin，F.C.P.，《确定被动心肌的构成关系：I.一种新的功能形式》，J.Biomech。工程，112333-339（1990）
[9] 霍尔扎费尔，G.A。；Gasser，T.C。；Ogden，R.W.，《动脉壁力学的新本构框架和材料模型的比较研究》，J.Elast。物理。科学。固体，61，1-48（2000）·Zbl 1023.74033号
[10] 霍尔扎费尔，G.A。；Ogden，R.W.，《被动心肌的本构模型：基于结构的材料表征框架》，Phil.Trans。R.Soc.A，3673445-3475（2009）·Zbl 1185.74060号
[11] Gasser，T.C。；奥格登，R.W。；Holzapfel，G.A.，《胶原纤维定向分布的动脉层超弹性建模》，J.R.Soc.Interface，3，15-35（2006）
[12] Demiray，H.，《软生物组织弹性注释》，J.Biomech。，5, 309-311 (1972)
[13] Baek，S。；格里森，R.L。；Rajagopal，K.R。；Humphrey，J.D.，《小到大的理论：动脉中流体-固体相互作用计算的潜在效用》，《计算》。方法应用。机械。工程，1963070-3078（2007）·兹比尔1127.74026
[14] 李凯。；奥格登，R.W。；Holzapfel，G.A.，不包括受压纤维的指数本构模型：应用于残余应力颈动脉的拉伸-膨胀，数学。机械。固体，231206-1224（2018）·兹比尔1401.74244
[15] 李凯。；Holzapfel，G.A.，用离散纤维分散法对纤维募集和损伤进行多尺度建模，J.Mech。物理。固体，126226-244（2019）·Zbl 1477.74098号
[16] 李凯。；奥格登，R.W。；Holzapfel，G.A.，纤维组织建模中排除受压纤维的离散纤维分散方法，J.R.Soc.Interface，15，第20170766页，（2018）
[17] 李凯。；奥格登，R.W。；Holzapfel，G.A.，《用排除压缩纤维的通用不变量模拟纤维生物组织》，J.Mech。物理。固体，110，38-53（2018）
[18] 胡，J.J。；Baek，S。；Humphrey，J.D.，正常血压和高血压时被动基底动脉的应力-应变行为，J.Biomech。，40, 2559-2563 (2007)
[19] 施罗德，F。；Polzer，S。；斯拉日安斯克，M。；男子，V。；Skácel，P.，动脉组织各种本构模型的预测能力，J.Mech。行为。生物识别。材料。，78, 369-380 (2018)
[20] He，K。；张，X。；任，S。；Sun，J.，《深入研究整流器：在ImageNet分类方面超越人类水平的性能》（IEEE计算机视觉国际会议（2015））
[21] Kokkinos，I.，《利用深度学习推进边界检测的边界》（Int.l Conf.on Learning Representations，2016）
[22] Taigman，Y。；杨，M。；Ranzato，医学硕士。；Wolf，L.，《DeepFace:缩小人脸验证中人类水平性能的差距》（IEEE计算机视觉和模式识别会议（2014））
[23] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度残差学习（IEEE计算机视觉和模式识别会议（2016））
[24] Krizhevsky，A。；Sutskever，I。；Hinton，G.E.，用深度卷积神经网络进行ImageNet分类，神经信息处理。系统。(2012)
[25] LeCun，Y。；Y.本吉奥。；Hinton，G.E.，《深度学习》，《自然》，521436-444（2015）
[26] Wu，Y。；舒斯特，M。；Chen，Z.，谷歌的神经机器翻译系统：缩小人机翻译之间的差距，计算。Res.回购。（2016），abs/1609.08144
[27] Hannun，A。；外壳，C。；Casper，J.，《深度语音：扩展端到端语音识别》，计算机。Res.回购。（2014），abs/1412.5567
[28] 何，X。；艾薇儿，S。；Lu，J.，升主动脉瘤组织强度和局部破裂风险的机器学习预测，Mol.Cell。生物技术。，16，50-52（2019）
[29] Dabiri，Y。；范德维尔登，A。；萨克·K·L。；Choy，J.S。；Kassab，G.S。；Guccione，J.M.，使用机器学习预测左心室力学，前沿。物理。，7 (2019)
[30] 罗马斯科，L。；Borowska，A。；拉扎勒斯，A。；高，H。；罗，X。；Husmeier，D.（Ladde，G.；Jeske，D.，直接从CMR图像学习左心室网格（2019）），25
[31] 罗，Y。；风扇，Z。；Baek，S。；Lu，J.，《利用机器学习探索升主动脉瘤的强度和弹性特性之间的关系》，国际期刊编号。方法生物识别。Eng.，34，文章e2977 pp.（2018）
[32] Do，H.N。；艾亚兹，A。；加拉希，H。；Zambrano，B。；Choi，J。；Lee，W。；Baek，S.，使用动态高斯过程预测腹主动脉瘤生长隐式曲面，IEEE Trans。生物识别。工程，66，609-622（2019）
[33] 江，Z。；Do，H.N。；Choi，J。；Lee，W。；Baek，S.，《利用纵向数据预测腹主动脉瘤扩张的深度学习方法》，Front。物理。，7 (2020)
[34] Cilla，M。；佩雷兹·雷伊，I。；马丁内斯，医学硕士。；佩尼亚，E。；Martínez，J.，《关于使用机器学习技术对软生物组织进行机械表征》，国际期刊Numer。方法生物识别。Eng.，34，文章e3121 pp.（2018）
[35] Cáji，B.C.，《人工神经网络逼近》，（科学院，第24卷（2001年），埃特夫·洛恩大学：匈牙利埃特夫斯·洛恩大学），48
[36] Leshno，M。；Lin，V.Y。；Pinkus，A。；Schocken，S.，具有非多项式激活函数的多层前馈网络可以近似任何函数，神经网络。，6, 861-867 (1993)
[37] Cybenko，G.，通过sigmoid函数的叠加进行逼近，数学。控制信号系统，2303-314（1989）·Zbl 0679.94019号
[38] Hornik，K.，多层前馈网络的逼近能力，神经网络。，4, 251-257 (1991)
[39] Yagawa，G。；Okuda，H.，《计算力学中的神经网络》，Arch。计算。方法工程，3435（1996）
[40] 加布西，J。；佩克诺德，医学博士。；张，M。；Haj Ali，R.M.，神经网络本构模型的自动渐进训练，国际。J.数字。方法工程，42，105-126（1998）·兹比尔0915.73075
[41] 加布西，J。；Sidarta，D.E.，用于本构建模的新型嵌套自适应神经网络（NANN），计算。岩土工程。，22, 29-52 (1998)
[42] 霍尔扎费尔，G.A。；Ogden，R.W.，《各向异性非线性弹性固体的平面双轴试验》。连续力学框架，数学。机械。固体，1474-489（2009）·Zbl 1257.74019号
[43] 何凯、张旭、任正生、孙建军，图像识别的深度剩余学习，载《IEEE计算机视觉与模式识别会议论文集》，2016年，第770-778页。
[44] G.Huang，Z.Liu，L.Van Der Maaten，K.Q.Weinberger，《密集连接卷积网络》，载于：《IEEE计算机视觉与模式识别会议论文集》，2017年，第4700-4708页。
[45] X.Glrot，A.Bordes，Y.Bengio，深度稀疏整流器神经网络，摘自：《第十四届国际人工智能与统计会议论文集》，2011年，第315-323页。
[46] V.Nair，G.E.Hinton，《校正线性单位改进受限boltzmann机器》，载《第27届国际机器学习会议论文集》（ICML-10），2010年，第807-814页。
[47] Sun，W。；Sacks，M.S.，平面软组织广义真菌弹性本构模型的有限元实现，Biomech。模型。机械双醇。，4, 190-199 (2005)
[48] 巴尔扎尼，D。；内夫，P。；施罗德，J。；Holzapfel，G.A.，软生物组织的多凸面框架。《国际固体结构杂志》实验数据调整。，43, 6052-6070 (2006) ·Zbl 1120.74632号
[49] Meyer，C.D.，矩阵分析与应用线性代数（2000），暹罗·Zbl 0962.15001号
[50] Prussing，J.E.，《半定矩阵的主次检验》，J.Guid。控制动态。，9, 121-122 (1986) ·Zbl 0599.15010号
[51] Bergstra，J。；Bengio，Y.，《超参数优化的随机搜索》，J.Mach。学习。研究，13，281-305（2012）·兹比尔1283.68282
[52] 斯诺克，J。；拉罗谢尔，H。；Adams，R.P.，机器学习算法的实用贝叶斯优化，（神经信息处理系统进展（2012）），2951-2959
[53] Paszke，A。；毛重，S。；钦塔拉，S。；Chanan，G。；杨，E。；德维托，Z。；林，Z。；Desmaison，A。；安提瓜，L。；Lerer，A.，《pytorch中的自动区分》（2017）
[54] 金玛，D.P。；Ba，J.，Adam：随机优化方法（2014），arXiv预印本arXiv:1412.6980
[55] Pham，T.等人。；马丁，C。；Elefteriades，J。；Sun，W.，升主动脉瘤伴二尖瓣主动脉瓣和牛主动脉弓的生物力学特征，生物学报。，9, 7927-7936 (2013)
[56] 马丁，C。；Sun，W。；Pham，T.等人。；Elefteriades，J.，升主动脉瘤破裂可能性的预测生物力学分析，生物学报。，9, 9392-9400 (2013)
[57] Bia，D。；佩萨纳，F。；Armentano，R。；佩雷斯，H。；格拉芙，S。；佐卡洛，Y。；Saldías，M。；佩雷斯，N。；阿尔瓦雷斯，O。；西尔瓦。；马钦，D。；苏埃塔，P。；费林，S。；阿科斯塔，M。；Alvarez，I.，低温保存程序不会改变人类同种颈动脉移植物的力学性能：等压和动态分析，细胞组织库。，7, 183-194 (2006)
[58] Sun，W。；萨克斯，M.S。；Sellaro，T.L。；W.S.屠宰场。；Scott，M.J.，生物人工心脏瓣膜生物材料对高平面内剪切的双向机械响应，J.Biomech。工程，125，372-380（2003）
[59] Sacks，M.S.，《平面双向力学测试方法，包括平面内剪切》，J.Biomech。工程，121551-555（1999）
[60] Jung，S。；Ghaboussi，J.，速率相关材料的神经网络本构模型，计算。结构。，84, 955-963 (2006)
[61] 斯托菲尔，M。；Bamer，F。；Markert，B.，基于神经网络的非线性粘塑性结构响应本构建模，Mech。Res.Commun.公司。，95, 85-88 (2019) ·Zbl 1425.74504号
[62] Wittek，A。；卡拉托里奥斯，K。；比哈里，P。；施密茨·雷森，T。；穆斯多夫，R。；Vogt，S。；Blase，C.，基于4D超声数据的人体主动脉弹性特性的体内测定，J.Mech。行为。生物识别。材料。，27, 167-183 (2013)
[63] Zeinali-Davarani，S。；Choi，J。；Baek，S.，关于动脉双向力学行为的参数估计，J.Biomech。，42, 524-530 (2009)
[64] 关，D。；艾哈迈德·F。；Theobald，P。；Soe，S。；罗，X。；Gao，H.，关于基于AIC的一般Holzapfel-Ogden心肌本构关系模型简化，Biomech。模型。机械双醇。，18, 1213-1232 (2019)
[65] Wittek，A。；卡拉托里奥斯，K。；弗里岑，C.-P。；Bereiter Hahn，J。；Schieffer，B。；穆斯多夫，R。；沃格特，S。；Blase，C.，以时间分辨三维超声斑点追踪为特征的人类升主动脉和腹主动脉的循环三维壁运动，Biomech。模型。机械双醇。，15, 1375-1388 (2016)
[66] 刘，M。；Liang，L。；Sun，W.，主动脉壁体内力学特性的估计：一种多分辨率直接搜索方法，J.Mech。行为。生物识别。材料。，77, 649-659 (2017)
[67] 刘，M。；Liang，L。；苏莱曼尼，F。；卢，X。；Iannucci，G。；陈，E。；Leshnower，B。；Sun，W.，从患者特定CT扫描中识别升主动脉瘤的体内非线性各向异性力学特性，科学。代表，9，12983（2019）
[68] 刘，M。；Liang，L。；Sun，W.，主动脉壁在体力学性能估算的新反演方法，J.Mech。行为。生物识别。材料。，72, 148-158 (2017)
[69] 刘，M。；Liang，L。；Sun，W.，使用机器学习方法估计主动脉壁体内本构参数，计算。方法应用。机械。工程，347201-217（2019）·Zbl 1440.74229号
[70] 贝尔金，M。；徐，D。；马，S。；Mandal，S.，《协调现代机器学习实践和经典偏差-方差权衡》，Proc。国家。阿卡德。科学。，116, 15849-15854 (2019) ·Zbl 1433.68325号
[71] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[72] 刘，D。；Wang，Y.，一种训练具有Minimax架构的物理约束神经网络的二元方法（2020），arXiv预印本arXiv:2005.00615
[73] Vaishnav，R.N。；Young，J.T。；Janicki，J.S。；Patel，D.J.，《犬主动脉的非线性各向异性弹性特性》，生物物理学。J.，121008-1027（1972）
[74] Raghavan，M.L。；Vorp，D.A.，《关于评估腹主动脉瘤破裂可能性的生物力学工具：有限应变本构模型的识别及其适用性评估》，J.Biomech。，33, 475-482 (2000)
[75] 魏斯贝克尔，H。；皮尔斯·D·M。；Regitnig，P。；Holzapfel，G.A.，人类胸主动脉和腹主动脉非动脉粥样硬化内膜增厚的层特异性损伤实验和建模，J.Mech。行为。生物识别。材料。，12, 93-106 (2012)
[76] 皮尔斯·D·M。；迈尔，F。；魏斯贝克尔，H。；维特勒，C。；Verbrugghe，P。；Famaey，N。；弗尔瑙，I。；Herijgers，P。；Holzapfel，G.A.，《人类胸主动脉和腹主动脉动脉瘤组织：损伤实验、统计分析和本构模型》，机械杂志。行为。生物识别。材料。，41, 92-107 (2015)
[77] 施密特，T。；巴尔扎尼博士。；Holzapfel，G.A.，软胶原组织损伤演变连续描述的统计方法，计算机。方法应用。机械。工程，278，41-61（2014）·兹比尔1423.74632
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。