ترجمه فارسی مقاله آیا شما (پروژه اطراف دیسک ها) نیستید؟جانشین شبکه عصبی و نزول شیب پیش بینی شده برای کالیبراسیون یک مدل عنصر محدود دیسک بین مهره ای

چکیده

Accurate calibration of finite element (FE) models of human intervertebral discs (IVDs) is essential for their reliability and application in diagnosing and planning treatments for spinal conditions. Traditional calibration methods are computationally intensive, requiring iterative, derivative-free optimization algorithms that often take hours or days to converge. This study addresses these challenges by introducing a novel, efficient, and effective calibration method for an L4-L5 IVD FE model using a neural network (NN) surrogate. The NN surrogate predicts simulation outcomes with high accuracy, outperforming other machine learning models, and significantly reduces the computational cost associated with traditional FE simulations. Next, a Projected Gradient Descent (PGD) approach guided by gradients of the NN surrogate is proposed to efficiently calibrate FE models. Our method explicitly enforces feasibility with a projection step, thus maintaining material bounds throughout the optimization process. The proposed method is evaluated against state-of-the-art Genetic Algorithm (GA) and inverse model baselines on synthetic and in vitro experimental datasets. Our approach demonstrates superior performance on synthetic data, achieving a Mean Absolute Error (MAE) of 0.06 compared to the baselines’ MAE of 0.18 and 0.54, respectively. On experimental specimens, our method outperforms the baseline in 5 out of 6 cases. Most importantly, our approach reduces calibration time to under three seconds, compared to up to 8 days per sample required by traditional calibration. Such efficiency paves the way for applying more complex FE models, enabling accurate patient-specific simulations and advancing spinal treatment planning.

چکیده به فارسی (ترجمه ماشینی)

کالیبراسیون دقیق المان محدود (FE) مدل های دیسک های بین مهره ای انسان (IVDS) برای قابلیت اطمینان و کاربرد آنها در تشخیص و برنامه ریزی درمانهای برای شرایط ستون فقرات ضروری است.روشهای سنتی کالیبراسیون از نظر محاسباتی فشرده هستند و به الگوریتم های بهینه سازی تکراری و بدون مشتق نیاز دارند که اغلب ساعت ها یا روزها برای همگرایی طول می کشد.این مطالعه با معرفی یک روش کالیبراسیون رمان ، کارآمد و مؤثر برای یک مدل L4-L5 IVD FE با استفاده از یک جانشین شبکه عصبی (NN) ، این چالش ها را بررسی می کند.جانشین NN نتایج شبیه سازی را با دقت بالا پیش بینی می کند ، از سایر مدل های یادگیری ماشین بهتر عمل می کند و هزینه محاسباتی مرتبط با شبیه سازی های آهن سنتی را به میزان قابل توجهی کاهش می دهد.در مرحله بعد ، یک رویکرد نزول شیب پیش بینی شده (PGD) که توسط شیب های جانشین NN هدایت می شود ، برای کالیبراسیون کارآمد مدل های آهن ارائه شده است.روش ما صریحاً امکان سنجی را با یک مرحله پیش بینی اعمال می کند ، بنابراین مرزهای مواد را در طول فرآیند بهینه سازی حفظ می کند.روش پیشنهادی در برابر الگوریتم ژنتیکی پیشرفته (GA) و پایه های مدل معکوس در مجموعه داده های مصنوعی و آزمایشگاهی آزمایشگاهی ارزیابی می شود.رویکرد ما عملکرد برتر در داده های مصنوعی را نشان می دهد ، و به ترتیب میانگین خطای مطلق (MAE) 0.06 در مقایسه با MAE پایه های 0.18 و 0.54 به ترتیب دستیابی می کند.در نمونه های آزمایشی ، روش ما در 5 از 6 مورد از پایه بهتر است.مهمتر از همه ، رویکرد ما زمان کالیبراسیون را به زیر سه ثانیه کاهش می دهد ، در مقایسه با 8 روز در هر نمونه مورد نیاز کالیبراسیون سنتی.چنین کارآیی راه را برای استفاده از مدل های پیچیده تر FE ، امکان پذیر کردن شبیه سازی های دقیق خاص بیمار و پیشبرد برنامه ریزی درمان ستون فقرات فراهم می کند.