Predictive constitutive modelling of arteries by deep learning.
Predictive constitutive modelling of arteries by deep learning.
复制标题
DOI：
10.1098/rsif.2021.0411
复制
发表时间：
2021-09
期刊：
影响因子：
--
通讯作者：
Cyron CJ
中科院分区：
文献类型：
--
作者：
Holzapfel GA;Linka K;Sherifova S;Cyron CJ
在过去的20年里，软生物组织的本构建模迅速受到关注。现有的本构模型能够较好地描述动脉组织的力学特性。然而，从微观结构信息预测这些属性仍然是一个难以捉摸的目标。为了应对这一挑战，我们引入了一种新的混合建模框架，将先进的理论概念与深度学习相结合。它使用来自机械测试、组织学分析和二次谐波产生的图像的数据。在第一次概念验证研究中，我们的混合建模框架仅使用来自27个组织样本的数据进行训练。即使这样少量的数据也足以能够从微观结构信息预测中值决定系数R2 = 0.97的组织样品的应力-拉伸曲线，只要将范围限制在其机械性能保持在通常遇到的范围内的组织样品。这一发现表明，深度学习可能会对我们建模软生物组织的构成特性的方式产生变革性的影响。
The constitutive modelling of soft biological tissues has rapidly gained attention over the last 20 years. Current constitutive models can describe the mechanical properties of arterial tissue. Predicting these properties from microstructural information, however, remains an elusive goal. To address this challenge, we are introducing a novel hybrid modelling framework that combines advanced theoretical concepts with deep learning. It uses data from mechanical tests, histological analysis and images from second-harmonic generation. In this first proof of concept study, our hybrid modelling framework is trained with data from 27 tissue samples only. Even such a small amount of data is sufficient to be able to predict the stress–stretch curves of tissue samples with a median coefficient of determination of R2 = 0.97 from microstructural information, as long as one limits the scope to tissue samples whose mechanical properties remain in the range commonly encountered. This finding suggests that deep learning could have a transformative impact on the way we model the constitutive properties of soft biological tissues.
登录
查看更多内容
影响因子：
48
作者：
Fowler, Douglas M.;Fields, Stanley
通讯作者：
Fields, Stanley
影响因子：
4.6
作者：
Joldes GR;Miller K;Wittek A;Forsythe RO;Newby DE;Doyle BJ
通讯作者：
Doyle BJ
影响因子：
48
作者：
Ma J;Yu MK;Fong S;Ono K;Sage E;Demchak B;Sharan R;Ideker T
通讯作者：
Ideker T
影响因子：
3.1
作者：
Dabiri, Yaghoub;Van der Velden, Alex;Guccione, Julius M.
通讯作者：
Guccione, Julius M.
影响因子：
3.9
作者：
Schriefl, Andreas J.;Wolinski, Heimo;Holzapfel, Gerhard A.
通讯作者：
Holzapfel, Gerhard A.