3次元定量的な準静的弾性イメージングのための物理誘導型機械学習

Physics-guided machine learning for 3-D quantitative quasi-static elasticity imaging.

• Cameron Hoerig
• Jamshid Ghaboussi
• Michael F Insana

抄録

我々は、力-変位測定のスパースサンプリングに基づく定量的な準静的超音波エラストグラフィ(QUSE)のためのAutoprogressive法(AutoP)を3次元的に拡張したものを提示する。現在のモデルベースの逆解析法と比較して、我々のアプローチは幾何学的モデルや構成モデルの仮定を必要としない。本研究では、これまでの2次元QUSEの報告を基に、圧縮荷重下でのゼラチンファントムの3次元線形弾性材料特性分布の復元が可能であることを実証した。境界形状、印加された表面力、軸方向変位の測定値はAutoPに入力され、ここでは直交ニューラルネットワーク構成モデル(CaNNCM)が有限要素解析と相互作用して、構成モデルの仮定なしに物理的に整合した材料特性を学習する。我々は、測定データから空間応力分布に関する情報を抽出するCaNNCMの能力を向上させるAutoPに独自に適した新しい正則化項を導入した。本研究の結果は、ファントム表面上の異なる位置にUSプローブを移動させることにより、複数の力-変位測定のセットを取得することで、CaNNCMが3次元材料特性分布を学習するために必要な情報をAutoPに提供するだけでなく、ヤング率推定値の精度を大幅に向上させることができることを示している。さらに、追加の計測器なしで表面力の変化に対する感度を向上させるために、USトランスデューサとファントム表面の間の接触面積を減少させることのトレードオフを調査した。これらの修正はそれぞれ、力-変位測定からヤング率の空間分布を学習するためにAutoPで訓練されたCaNNCMの能力を向上させる。

We present a 3D extension of the Autoprogressive Method (AutoP) for quantitative quasi-static ultrasonic elastography (QUSE) based on sparse sampling of force-displacement measurements. Compared to current model-based inverse methods, our approach requires neither geometric nor constitutive model assumptions. We build upon our previous report for 2D QUSE and demonstrate the feasibility of recovering the 3D linear-elastic material property distribution of gelatin phantoms under compressive loads. Measurements of boundary geometry, applied surface forces, and axial displacements enter into AutoP where a Cartesian neural network constitutive model (CaNNCM) interacts with finite element analyses to learn physically consistent material properties with no prior constitutive model assumption. We introduce a new regularization term uniquely suited to AutoP that improves the ability of CaNNCMs to extract information about spatial stress distributions from measurement data. Results of our study demonstrate that acquiring multiple sets of force-displacement measurements by moving the US probe to different locations on the phantom surface not only provides AutoP with the necessary information for a CaNNCM to learn the 3D material property distribution, but may significantly improve the accuracy of the Young's modulus estimates. Furthermore, we investigate the trade-offs of decreasing the contact area between the US transducer and phantom surface in an effort to increase sensitivity to surface force variations without additional instrumentation. Each of these modifications improves the ability of CaNNCMs trained in AutoP to learn the spatial distribution of Young's modulus from force-displacement measurements.