Physics-informed neural networks approach to predict heart displacement field and in-vivo myofiber strain
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La deformación en la dirección de las fibras del corazón, llamada myofiber strain ha surgido como una métrica del desempeño mecánico del tejido del corazón que considera su microestructura, a diferencia de las métricas tradicionales: deformación longitudinal, circunferencial y radial, que son calculadas de una forma meramente geométrica. Predicciones certeras del myofiber strain entrega resultados prometedores para predecir fallas cardíacas. Combinándolo con un campo de desplazamiento continuo del corazón, se abren oportunidades para una mejor predicción de la función cardíaca y posibles diagnósticos. Esta tesis analiza el desempeño y la implementación de una red neuronal informada por modelos físicos considerando una descripción de la topología de los datos dada por las funciones propias del operador de Laplace y una descripción de la energía hiperelástica del tejido cardíaco del ventrículo izquierdo mediante un modelo de active strain para predecir un campo de desplazamiento continuo y myofiber strain. Esto usualmente se ha logrado usando el método de elementos finitos, pero en este trabajo se va a demostrar que las redes neuronales tienen mejores resultados. Este trabajo usa un campo de desplazamiento obtenido con imágenes DENSE y las direcciones de las fibras del corazón obtenidas con cDTI, las cuales son imágenes de resonancia magnética. Los resultados experimentales prueban que la red neural informada por un modelo físico entrega mejores resultados que los obtenido con elementos finitos. Adicionalmente es capaz de predecir valores para la deformación en la dirección de las fibras del corazón dentro de los valores presentes en la literatura. Las imágenes de DENSE tienen un tiempo largo de adquisición, haciéndolo un procedimiento clínicamente poco aplicable, sin embargo, la red neuronal propuesta entrega excelentes resultados considerando una cantidad reducida de datos de DENSE, permitiendo bajar el tiempo de adquisición para estas imágenes y entregando resultados prometedores para su aplicabilidad clínica.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2024.
Keywords
Aprendizaje profundo, Redes neuronales informadas por modelos físicos, Funciones propias del operador de Laplace, Active strain, Método de elementos finitos, Myofiber strain