Hyperelastic Cardiovascular NN–FE: A Framework for Integrating Nonlinear Finite Element Solvers with Neural Networks for the Hyperelastic Modeling of Cardiac Valve Tissue

Le cœur humain est une pompe infatigable, mais ses valves sont les gardiennes silencieuses qui assurent que le sang ne circule que dans une seule direction. Ces délicats volets de tissu, appelés feuillets, doivent résister à une pression constante, s'étirant et se rétractant à chaque battement. Pour comprendre comment ils fonctionnent, ou pour concevoir des remplacements artificiels qui ne feront pas défaut, les scientifiques doivent prédire exactement comment ce tissu se déforme sous la contrainte. Traditionnellement, cela se faisait à l'aide de simulations informatiques complexes qui traitent le tissu comme un casse-tête mathématique. Ces simulations sont incroyablement précises mais aussi incroyablement lentes, prenant souvent des heures, voire des jours, pour exécuter un seul scénario. Cette limite de vitesse les rend peu pratiques pour des utilisations en temps réel, comme guider un chirurgien pendant une opération ou tester des milliers de conceptions de dispositifs en un seul après-midi. D'un autre côté, les méthodes plus récentes qui reposent uniquement sur les données et l'intelligence artificielle peuvent être rapides, mais elles manquent souvent d'une compréhension profonde des lois physiques qui régissent le tissu, produisant parfois des résultats qui semblent plausibles mais qui sont physiquement impossibles.

Une équipe de chercheurs a maintenant comblé ce fossé en créant un nouveau système hybride qui combine la rapidité de l'intelligence artificielle avec la rigueur de la précision physique des logiciels d'ingénierie traditionnels. Leurs travaux se concentrent sur la valve tricuspide, spécifiquement le feuillet postérieur, qui est une fine feuille de tissu flexible située sur le côté droit du cœur. Les chercheurs voulaient voir s'ils pouvaient entraîner un programme informatique à prédire comment ce tissu s'étire et se courbe sous diverses forces, sans avoir à exécuter les simulations lentes et lourdes à chaque fois. Ils n'ont pas simplement appris à l'ordinateur à deviner en se basant sur des images passées ; ils ont construit un système où les suppositions de l'ordinateur sont constamment vérifiées et corrigées par un moteur physique. Cette approche permet au système d'apprendre le véritable comportement mécanique du tissu tout en maintenant la rapidité nécessaire aux applications du monde réel.

Pour construire ce système, l'équipe a commencé par des données biologiques réelles. Ils ont pris un échantillon de tissu provenant d'un cœur de porc, un modèle courant pour la mécanique cardiaque humaine, et ont découpé un petit carré au centre de la valve. Ils ont ensuite placé cet échantillon dans une machine qui le tirait de quatre côtés, l'étirant selon différentes combinaations de force. Ils ont testé sept modèles de traction distincts, allant d'une traction égale dans toutes les directions à une traction beaucoup plus forte dans une direction que dans l'autre. En mesurant comment le tissu se déplaçait et se déformait sous ces charges spécifiques, ils ont créé une carte détaillée de son comportement mécanique. Ils ont confirmé que le tissu se comporte comme un matériau hyperélastique, ce qui signifie qu'il reprend sa forme originale après avoir été étiré, mais qu'il devient plus rigide à mesure qu'il est tiré, une caractéristique essentielle au bon fonctionnement des valves cardiaques.

Le cœur de leur nouveau cadre est un partenariat entre deux types différents de programmes informatiques. Le premier est un réseau neuronal, un type d'intelligence artificielle conçu pour reconnaître des motifs. Ce réseau agit comme un prédicteur rapide, prenant la localisation sur le tissu et la quantité de force appliquée, et devine instantanément de combien ce point spécifique va se déplacer. Cependant, comme le tissu est complexe et que les forces sont non linéaires, une simple supposition est rarement parfaite. C'est ici qu'intervient la seconde partie du système : un solveur d'éléments finis traditionnel. Il s'agit du logiciel d'ingénierie intensif qui calcule les lois de la physique pour garantir que le tissu est dans un état d'équilibre. Dans ce nouveau cadre, le réseau neuronal fait une supposition rapide, et le logiciel d'ingénierie intervient immédiatement pour la corriger, garantissant que les lois de la physique sont satisfaites. Le réseau neuronal apprend ensuite de cette correction, ajustant sa logique interne pour faire de meilleures suppositions la fois suivante.

Cette approche de « solveur dans la boucle » (solver-in-the-loop) s'est avérée très efficace. Les chercheurs ont testé leur système en cachant l'un des sept modèles d'étirement des données d'entraînement et en demandant au système de prédire le résultat pour ce modèle caché. Dans la plupart des cas, le système a prédit le mouvement du tissu avec un haut degré de précision. Pour la forme globale et le mouvement du tissu, les prédictions s'écartaient de moins de 15 % en moyenne, et le timing du mouvement correspondait presque parfaitement à la physique réelle. Le système était encore plus précis pour prédire l'étirement du tissu, avec des erreurs de moins de 1,4 %. En ce qui concerne la prédiction de la contrainte interne, ou la force ressentie au sein des fibres du tissu, l'erreur est restée inférieure à 7,8 %. Ces résultats suggèrent que le système a véritablement appris les règles sous-jacentes du comportement du tissu, plutôt que de simplement mémoriser les données qui lui ont été présentées.

L'étude a également révélé les points de faiblesse du système. Les prédictions étaient les plus précises au milieu de l'échantillon de tissu, là où le mouvement est fluide et prévisible. Les erreurs avaient tendance à se regrouper près des bords, là où le tissu était saisi par la machine de test. Il s'agit d'un défi connu en mécanique ; les contraintes abruptes aux bords créent des concentrations de contraintes complexes qu'aucun modèle ne peut résoudre parfaitement. De plus, le système a trouvé légèrement plus difficile de prédire le comportement du tissu lorsque les forces étaient extrêmement déséquilibrées, comme lorsqu'on tire beaucoup plus fort dans une direction que dans l'autre, surtout si ce type spécifique de déséquilibre était rare dans les données d'entraînement. Malgré ces défis localisés, le système a reproduit de manière cohérente la courbe en « forme de J » de la réponse du tissu, capturant à la fois l'étirement initial facile et le durcissement rapide qui se produit lors de charges élevées.

La portée de ce travail réside dans son potentiel à changer la façon dont les ingénieurs biomédicaux abordent les problèmes complexes. En combinant la flexibilité des réseaux neuronaux avec la fiabilité des solveurs basés sur la physique, les chercheurs ont créé un outil qui est à la fois rapide et digne de confiance. Contraentemente aux modèles purement axés sur les données qui pourraient échouer face à une nouvelle situation, ce système hybride est ancré dans les lois physiques du matériau. Cela en fait un candidat prometteur pour des applications en temps réel, telles qu'aider les chirurgiens à planifier des procédures ou permettre aux ingénieurs de tester rapidement de nouvelles conceptions de valves cardiaques. Bien que l'étude actuelle ait été limitée à un seul échantillon de tissu et à des conditions de charge statique, le cadre démontre une voie claire vers l'avenir. Il montre qu'il est possible de construire des systèmes intelligents qui respectent les lois de la physique, offrant une nouvelle façon puissante de simuler la mécanique complexe du corps humain sans sacrifier la vitesse ou la précision.