Deep Learning-based Prediction of Stress and Strain Maps in Arterial Walls for Improved Cardiovascular Risk Assessment

要約

本研究では、動脈壁の2D断面内の応力-歪み場を予測する際に、FEMのより効果的な代替となるend-to-endディープラーニングツールの可能性を検討した。まず、動脈壁断面内の石灰化の空間的配置に基づいて、フォンミーゼス応力とひずみ分布を予測するために、U-Netベースの完全畳み込みニューラルネットワーク（CNN）を提案した。さらに、さまざまな石灰化量と空間配置を持つ動脈壁の応力・ひずみフィールドマップの予測精度を、特に知覚的観点から向上させるために、条件付き生成数理ネットワーク（cGAN）を開発した。また、U-NetとcGANの上に、フィールドマップの予測精度をさらに向上させるために、それぞれアンサンブルアプローチを提案した。入力画像と出力画像からなるデータセットは、境界条件を実装し、応力-ひずみフィールドマップを抽出することによって生成された。学習されたU-Netモデルは、フォンミーゼス応力・ひずみ場を正確に予測することができ、予約されたテストセットにおいて、構造類似性指標スコア（SSIM）は0.854と0.830、平均二乗誤差は応力とひずみそれぞれ0.017と0.018であった。一方、アンサンブル学習と転移学習技術を組み合わせたcGANモデルは、応力については0.890、ひずみについては0.803のSSIMスコアによって証明されるように、フォンミーゼス応力とひずみ場の予測において高い精度を示している。さらに、応力の平均二乗誤差は0.008、ひずみの平均二乗誤差は0.017であり、指定されたテストセットにおけるモデルの性能をさらに裏付けている。全体として、本研究は、複雑な形状や境界条件に関係なく、動脈壁の応力-ひずみ場を正確かつ効率的に予測できる有限要素解析用の代理モデルを開発した。

要約(オリジナル)

This study investigated the potential of end-to-end deep learning tools as a more effective substitute for FEM in predicting stress-strain fields within 2D cross sections of arterial wall. We first proposed a U-Net based fully convolutional neural network (CNN) to predict the von Mises stress and strain distribution based on the spatial arrangement of calcification within arterial wall cross-sections. Further, we developed a conditional generative adversarial network (cGAN) to enhance, particularly from the perceptual perspective, the prediction accuracy of stress and strain field maps for arterial walls with various calcification quantities and spatial configurations. On top of U-Net and cGAN, we also proposed their ensemble approaches, respectively, to further improve the prediction accuracy of field maps. Our dataset, consisting of input and output images, was generated by implementing boundary conditions and extracting stress-strain field maps. The trained U-Net models can accurately predict von Mises stress and strain fields, with structural similarity index scores (SSIM) of 0.854 and 0.830 and mean squared errors of 0.017 and 0.018 for stress and strain, respectively, on a reserved test set. Meanwhile, the cGAN models in a combination of ensemble and transfer learning techniques demonstrate high accuracy in predicting von Mises stress and strain fields, as evidenced by SSIM scores of 0.890 for stress and 0.803 for strain. Additionally, mean squared errors of 0.008 for stress and 0.017 for strain further support the model’s performance on a designated test set. Overall, this study developed a surrogate model for finite element analysis, which can accurately and efficiently predict stress-strain fields of arterial walls regardless of complex geometries and boundary conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL