الاستوگرافی معکوس چیست؟
الاستوگرافی از حرکت یا تغییرشکل بافت برای تخمین خواص مکانیکی استفاده میکند. بسیاری از روشهای رایج یک مقدار مؤثر سختی یا سرعت موج گزارش میکنند. در الاستوگرافی معکوس غیرخطی، هدف بازیابی پارامترهای یک مدل سازنده است که رفتار بافت را در دامنهای از تغییرشکلها توصیف میکند.
این مسئله دشوار است، زیرا تنش داخلی مستقیماً اندازهگیری نمیشود، چند میدان پارامتری میتوانند داده جابهجایی مشابهی ایجاد کنند و مشتقگیری مکانی نویز تصویربرداری را تقویت میکند.
یادگیری فیزیکمبنا و محدودیت تنش
در یادگیری فیزیکمبنا، شبکه عصبی فقط داده را برازش نمیکند، بلکه باید معادلات مکانیک را نیز برآورده سازد. شبکه پارامترهای ماده را پیشبینی میکند، قانون مونی–ریولین تنش را از تغییرشکل و پارامترها محاسبه میکند و تابع هزینه عدم تعادل نیرو و اختلاف نیروی مرزی را جریمه میکند.
این رویکرد با رگرسیون صرف تصویری تفاوت دارد، زیرا پیشبینی باید از نظر مکانیکی سازگار باشد. همچنین میتواند نسبت به وارونسازی تکراری اجزای محدود، نگاشت سریعتری برای دادههای حجمی یاد بگیرد.
بازسازی چندپارامتری وکسلبهوکسل
نگاشت وکسلبهوکسل ناهمگنی مکانی را حفظ میکند و میدان مکانیکی را با تصویر پزشکی همتراز میسازد. تخمین چند پارامتر به جای یک سختی اسکالر، رفتار غیرخطی ماده را بهتر نمایش میدهد. معماری U-Net سهبعدی نیز اطلاعات محلی و چندمقیاسی را برای خروجی حجمی متراکم ترکیب میکند.
در پژوهش PI-UNet، ورودیهای کرنشی حاصل از چند بارگذاری و اطلاعات واکنش مرزی برای تخمین میدانهای پارامتر مونی–ریولین استفاده شدهاند. هندسههای آزمون شامل یک درونگیر کروی، ماده خاکستری و سفید مغز و یک ناحیه شبیه تومور هستند.