Машинное обучение в задаче прогнозирования параметров упругости тканеимитирующих фантомов мягких биологических тканей

Аннотация

Гидрогели представляют собой трехмерные полимерные сетки, в которых узлами выступают химические или физические сшивки между макромолекулами. В настоящее время гидрогели на основе полиакриламида являются перспективными материалами для изготовления тканеимитирующих фантомов мягких биологических тканей. Ключевое преимущество таких гидрогелей --- возможность регулирования их механических свойств за счет варьирования концентрации сшивателя, т. е. числа сшивок, что позволяет имитировать характеристики различных органов и тканей. Однако подбор концентрации сшивателя для создания фантомов с заданными характеристиками представляет собой сложную задачу, требующую значительных временных и вычислительных ресурсов. Алгоритмы машинного обучения могут определять корреляцию между концентрацией сшивки и параметрами упругости полученного гидрогеля. На основе двух алгоритмов "случайный лес" реализована модель машинного обучения, способная прогнозировать механические свойства тканеимитирующих фантомов. Алгоритмы обучены на основе синтетических данных, полученных в результате проведения численных экспериментов на индентирование в лицензионном программном обеспечении для конечно-элементного анализа ANSYS Workbench (Ansys Inc., США), с применением как линейно-упругой модели поведения материала, так и гиперупругих неогуковской модели и модели Муни --- Ривлина, а также на данных натурных экспериментов. Предсказания валидированы с помощью тестовых данных, составивших 30 % всего массива данных и не использованных в обучении алгоритмов, а также на результатах натурных экспериментов

Работа выполнена в рамках государственного задания НИЦ "Курчатовский институт"

Просьба ссылаться на эту статью следующим образом:

Семенов Л.И., Крупнин А.Е., Антипова К.Г. и др. Машинное обучение в задаче прогнозирования параметров упругости тканеимитирующих фантомов мягких биологических тканей. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки, 2025, № 6 (123), с. 38--59. EDN: XFPURH

Литература

[1] Armstrong S.A., Jafary R., Forsythe J.S., et al. Tissue-mimicking materials for ultrasound-guided needle intervention phantoms: a comprehensive review. Ultrasound Med. Biol., 2023, vol. 49, iss. 1, pp. 18--30. DOI: https://doi.org/10.1016/j.ultrasmedbio.2022.07.016

[2] Liu D., Jiang P., Wang Y., et al. Engineering tridimensional hydrogel tissue and organ phantoms with tunable springiness. Adv. Funct. Mater., 2023, vol. 33, iss. 17, art. 2214885. DOI: https://doi.org/10.1002/adfm.202214885

[3] Guntur S.R., Kim S.-C., Choi M.-J. A cost-effective reusable tissue mimicking phantom for high intensity focused ultrasonic liver surgery. Bioengineering, 2022, vol. 9, iss. 12, art. 786. DOI: https://doi.org/10.3390/bioengineering9120786

[4] Payne A.H., Goodrich K.C., Kholmovski E.G., et al. Isolated kidney phantom for development of biothermal vascular models with application to high intensity focused ultrasound therapy. Med. Phys., 2008, vol. 35, iss. 10, pp. 4426--4434. DOI: https://doi.org/10.1118/1.2975226

[5] Filippou A., Louca I., Damianou C. Characterization of a fat tissue mimicking material for high intensity focused ultrasound applications. J. Ultrasound, 2023, vol. 26, no. 2, pp. 505--515. DOI: https://doi.org/10.1007/s40477-022-00746-4

[6] Tajik M., Akhlaqi M.M., Gholami S. Advances in anthropomorphic thorax phantoms for radiotherapy: a review. Biomed. Phys. Eng. Express, 2022, vol. 8, no. 5,art. 052001. DOI: https://doi.org/10.1088/2057-1976/ac369c

[7] Zhong X., Cao Y., Zhou P. Thermochromic tissue-mimicking phantoms for thermal ablation based on polyacrylamide gel. Ultrasound Med. Biol., 2022, vol. 48, iss. 8, pp. 1361--1372. DOI: https://doi.org/10.1016/j.ultrasmedbio.2022.03.021

[8] Wang Y., Tai B.L., Yu H., et al. Silicone-based tissue-mimicking phantom for needle insertion simulation. J. Med. Devices, 2014, vol. 8, iss. 2, art. 021001. DOI: https://doi.org/10.1115/1.4026508

[9] Ali A.M., Hogg P., Johansen S., et al. Construction and validation of a low cost paediatric pelvis phantom. Eur. J. Radiol., 2018, vol. 108, pp. 84--91. DOI: https://doi.org/10.1016/j.ejrad.2018.09.015

[10] Zhao M., Zhou M., Cao X., et al. Stable tissue-mimicking phantoms for longitudinal multimodality imaging studies that incorporate optical, CT, and MRI contrast. J. Biomed. Opt., 2023, vol. 28, iss. 4, art. 046006. DOI: https://doi.org/10.1117/1.JBO.28.4.046006

[11] Negus I.S., Holmes R.B., Jordan K.C., et al. Technical note: development of a 3D printed subresolution sandwich phantom for validation of brain SPECT analysis. Med. Phys., 2016, vol. 43, iss. 9, pp. 5020--5027. DOI: https://doi.org/10.1118/1.4960003

[12] O’Doherty J., Sammut E., Schleyer P., et al. Feasibility of simultaneous PET-MR perfusion using a novel cardiac perfusion phantom. European J. Hybrid Imaging, 2017, vol. 1, no. 1, art. 4. DOI: https://doi.org/10.1186/s41824-017-0008-9

[13] Tan Z., Dini D., Baena F.R., et al. Composite hydrogel: a high fidelity soft tissue mimic for surgery. Mater. Des., 2018, vol. 160, pp. 886--894. DOI: https://doi.org/10.1016/j.matdes.2018.10.018

[14] Sanchez-Cid P., Jimenez-Rosado M., Romero A., et al. Novel trends in hydrogel development for biomedical applications: a review. Polymers, 2022, vol. 14, iss. 15, art. 3023. DOI: https://doi.org/10.3390/polym14153023

[15] Антипова К.Г., Крупнин А.Е., Храмцова Е.А. и др. Фантомы мягких биологических тканей на основе полиакриламида: получение и свойства. Гены и клетки, 2022, т. 17, № 3, с. 13.

[16] Reinhards-Hervas C., Rico A., Rodriguez J. Crosslinker concentration effect on the poroviscoelastic relaxation of polyacrylamide hydrogels using depth-sensing indentation. Polym. Test., 2021, vol. 100, art. 107265. DOI: https://doi.org/10.1016/j.polymertesting.2021.107265

[17] Xiao Y., Chen Q., Yang Z., et al. Asymmetric and skin-mimicking hydrogels with wide temperature tolerance and superior elasticity for high-performance strain sensors. ACS Omega, 2023, vol. 8, iss. 49, pp. 46676--46684. DOI: https://doi.org/10.1021/acsomega.3c05779

[18] Hariri A., Palma-Chavez J., Wear K.A., et al. Polyacrylamide hydrogel phantoms for performance evaluation of multispectral photoacoustic imaging systems. Photo-acoustics, 2021, vol. 22, art. 100245. DOI: https://doi.org/10.1016/j.pacs.2021.100245

[19] Avci Yayla I.I., Bilal M., Salmaslioglu A., et al. Ultrasound phantom with solids mimicking cancerous tissue for needle breast biopsy. Turk. J. Chem., 2022, vol. 46, no. 5, pp. 1493--1503. DOI: https://doi.org/10.55730/1300-0527.3454

[20] Upadhyay K., Subhash G., Spearot D. Hyperelastic constitutive modeling of hydrogels based on primary deformation modes and validation under 3D stress states. Int.J. Eng. Sci., 2020, vol. 154, art. 103314. DOI: https://doi.org/10.1016/j.ijengsci.2020.103314

[21] Lee D., Zhang H., Ryu S. Elastic modulus measurement of hydrogels. In: Mondal M. (eds). Cellulose-Based Superabsorbent Hydrogels. Polymers and Polymeric Composites: a Reference Series. Cham, Springer, 2018, pp. 1--21. DOI: https://doi.org/10.1007/978-3-319-76573-0_60-1

[22] Vila Pouca M.C.P., Cerqueira M.R.G., Ferreira J.P.S., et al. Simulating 3D printing on hydrogel inks: a finite element framework for predicting mechanical properties and scaffold deformation. Finite Elem. Anal. Des., 2024, vol. 230, art. 104098. DOI: https://doi.org/10.1016/j.finel.2023.104098

[23] Abdolazizi K.P., Linka K., Sprenger J., et al. Concentration-specific constitutive modeling of gelatin based on artificial neural networks. Proc. Appl. Math. Mech., 2021, vol. 20, iss. 1, art. e202000284. DOI: https://doi.org/10.1002/pamm.202000284

[24] Zhu J.-A., Jia Y., Lei J., et al. Deep learning approach to mechanical property prediction of single-network hydrogel. Mathematics, 2021, vol. 9, iss. 21, art. 2804. DOI: https://doi.org/10.3390/math9212804

[25] Shokrollahi Y., Dong P., Gamage P., et al. Finite element-based machine learning model for predicting the mechanical properties of composite hydrogels. Appl. Sci., 2022, vol. 12, iss. 21, art. 10835. DOI: https://doi.org/10.3390/app122110835

[26] Белкин А.Е., Даштиев И.З., Костромицких А.В. Определение параметров упругости полиуретана при больших деформациях по результатам испытаний образцов на кручение и растяжение. Известия высших учебных заведений. Машиностроение, 2016, № 8, с. 3--10. DOI: https://doi.org/10.18698/0536-1044-2016-8-3-10

[27] Liu J., Zheng H., Poh P., et al. Hydrogels for engineering of perfusable vascular networks. Int. J. Mol. Sci., 2015, vol. 16, no. 7, pp. 15997--16016. DOI: https://doi.org/10.3390/ijms160715997

[28] Bootsma K., Dimbath E., Berberich J., et al. Materials used as tissue phantoms in medical simulation. In: Studies in Mechanobiology, Tissue Engineering and Biomaterials. Berlin, Heidelberg, Springer, 2017, pp. 1--48. DOI: https://doi.org/10.1007/8415_2016_1

[29] Antipova C.G., Krupnin A.E., Zakirov A.R., et al. A comprehensive mechanical testing of polyacrylamide hydrogels: the impact of crosslink density. Polymers, 2025, vol. 17, iss. 6, art. 737. DOI: https://doi.org/10.3390/polym17060737

[30] Breiman L. Random forests. Mach. Learn., 2001, vol. 45, no. 1, pp. 5--32. DOI: https://doi.org/10.1023/A:1010933404324