Die StrainNet-Architektur umfasst ein tiefes neuronales Netzwerk, das darauf trainiert ist, die Beziehung zwischen zwei Ultraschallbildern \(I_t\) und \(I_{t+1}\) sowie die Sehnenbeanspruchung bei Frame t, \(\epsilon _{xx}^{(t)}\), \(\epsilon _{xy}^{(t)}\), \(\epsilon _{yy}^{(t)}\), vorherzusagen. StrainNet besteht aus zwei Stufen, wobei die erste Stufe der DeformationClassifier und die zweite Stufe TensionNet, CompressionNet und RigidNet umfasste. Die Architektur wurde so konzipiert, dass sie zunächst den Klassifizierungstyp bewegungsbedingter Deformationen zwischen Bildpaaren bestimmt und dann das passende neuronale Netzwerk anwendet, um das Dehnungsfeld innerhalb der Sehne vorherzusagen. Um StrainNet effektiv zu trainieren, wurde ein vielfältiger Trainingsdatensatz erstellt, der aus Experimenten und synthetischen Bildpaaren besteht, die reale Bildartefakte nachahmen. Das Modell wurde gegenüber anderen Algorithmen wie DIC und DDE validiert und erreichte eine Genauigkeit von 2,4% Verlust und 100% Klassifizierungsgenauigkeit auf dem Validierungsdatensatz.
StrainNet wurde speziell entwickelt und trainiert, um Spannungen in Ultraschallbildern von FDS-Sehnen vorherzusagen. Die Architektur besteht aus zwei Stufen, von denen die erste Stufe, der DeformationClassifier, die Art der Deformation zwischen den Ultraschallbildpaaren klassifiziert. Basierend auf dieser Klassifizierung werden die Bilder dann einer der drei Neural Networks TensionNet, CompressionNet oder RigidNet zugeführt, um das Dehnungsfeld vorherzusagen. Diese Architektur ermöglicht es StrainNet, das längs-, quer- und Scherspannungsfeld über die gesamte Sehnenregion genau vorherzusagen. Es wurde mit einem vielfältigen Trainingsdatensatz aus synthetischen und experimentellen Bildpaaren trainiert, um realistische Simulationen zu gewährleisten und Rauscheffekte zu berücksichtigen. Die Trainingsparameter und die Optimierungsstrategie ermöglichten es StrainNet, Beziehungen zwischen Ultraschallbildern und entsprechenden Dehnungsfeldern zu erlernen.
Die Leistung von StrainNet wurde mit anderen Methoden wie DIC und DDE verglichen, wobei ein hoher Grad an Genauigkeit auf synthetischen Testfällen erreicht wurde. Die Anwendung auf experimentelle Bilder ermöglichte die Schätzung mechanischer Eigenschaften der Sehnen anhand der longitudinalen Belastungsdaten während eines Haltezeitraums. Wiederholte Messungen wurden durchgeführt, um die Beziehung zwischen Anstrengungsniveau und den mechanischen Eigenschaften der Sehnen zu untersuchen. Letztendlich konnte StrainNet erfolgreich Spannungsfelder in den Sehnen vorhersagen und wichtige Einblicke in die Mechanik menschlicher Sehnen liefern.