Stress-Constrained Physics-Informed UNet for Voxel-Wise Multiparameter Hyperelastic Inversion in Volumetric Medical Imaging
Annals of Biomedical Engineering (2026). DOI: 10.1007/s10439-026-04321-4.
این پژوهش یک شبکه U-Net سهبعدی فیزیکمبنا برای شناسایی وکسلبهوکسل چند پارامتر هایپرالاستیک از دادههای تغییرشکل حجمی معرفی میکند. ورودی شبکه از کمیتهای کرنشی چند حالت بارگذاری تشکیل شده و خروجی آن نقشههای مکانی پارامترهای مونی–ریولین است.
تابع هزینه با محاسبه تنش پیولا–کیرشهف اول، عدم تعادل نیرو در حجم و اختلاف نیروی واکنش مرزی را جریمه میکند. روش بر روی هندسههای مصنوعی سهبعدی شامل درونگیر کروی، ماده خاکستری و سفید مغز و ناحیهای شبیه تومور ارزیابی شده است.
در الاستوگرافی معکوس، میدان حرکت یا تغییرشکل برای تخمین خواص مکانیکی استفاده میشود. این روش به جای یک مقدار ساده سختی، چند پارامتر سازنده غیرخطی را در هر وکسل بازیابی میکند و نقشه مکانیکی را با داده تصویربرداری حجمی همتراز نگه میدارد.
پارامترهای پیشبینیشده در قانون مونی–ریولین قرار میگیرند و تنش حاصل محاسبه میشود. تابع هزینه واگرایی تنش در داخل حجم و اختلاف واکنش مرزی را کمینه میکند؛ بنابراین خروجی شبکه باید علاوه بر سازگاری با داده، از نظر مکانیکی نیز قابل قبول باشد.
نقشههای بازسازیشده مرز مواد و ساختارهای ناهمگن را حفظ میکنند. میدانهای مکانیکی حاصل میتوانند در آینده برای فانتومهای آزمایشگاهی، MRI یا اولتراسوند، تحلیل ضایعات و مدلسازی بیمارمحور توسعه یابند.
این پژوهش با حمایت مؤسسه ملی سلامت آمریکا از طریق جایزه Trailblazer مؤسسه NIBIB با شماره R21EB032187 و گرنت مؤسسه NINDS با شماره 1R01NS131554-01 انجام شده است.
شناسه DOI مرجع رسمی مقاله است.
@article{Asadi2026StressConstrainedPIUNet,
author = {Asadi, Amirreza and Laksari, Kaveh},
title = {Stress-Constrained Physics-Informed UNet for Voxel-Wise Multiparameter Hyperelastic Inversion in Volumetric Medical Imaging},
journal = {Annals of Biomedical Engineering},
year = {2026},
doi = {10.1007/s10439-026-04321-4}
}