論文の概要: Deep Learning Head Model for Real-time Estimation of Entire Brain Deformation in Concussion

• arxiv url: http://arxiv.org/abs/2010.08527v2
• Date: Tue, 20 Oct 2020 18:50:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 22:22:32.749521
• Title: Deep Learning Head Model for Real-time Estimation of Entire Brain Deformation in Concussion
• Title（参考訳）: 脳波のリアルタイム脳変形推定のためのディープラーニングヘッドモデル
• Authors: Xianghao Zhan, Yuzhe Liu, Samuel J. Raymond, Hossein Vahid Alizadeh, August G. Domel, Olivier Gevaert, Michael Zeineh, Gerald Grant, David B. Camarillo
• Abstract要約: 本稿では,5層ディープニューラルネットワークと機能工学を用いたディープラーニングヘッドモデルを提案する。 ヘッドモデルシミュレーションとオンフィールドカレッジフットボールと混成格闘技の併用による1803個の頭部衝撃に対するモデルトレーニングを行った。 提案したディープラーニングヘッドモデルは、脳全体のすべての要素の最大主ひずみを0.001秒未満で計算することができる。
• 参考スコア（独自算出の注目度）: 1.707455267617432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Many recent studies have suggested that brain deformation resulting from a head impact is linked to the corresponding clinical outcome, such as mild traumatic brain injury (mTBI). Even though several finite element (FE) head models have been developed and validated to calculate brain deformation based on impact kinematics, the clinical application of these FE head models is limited due to the time-consuming nature of FE simulations. This work aims to accelerate the process of brain deformation calculation and thus improve the potential for clinical applications. Methods: We propose a deep learning head model with a five-layer deep neural network and feature engineering, and trained and tested the model on 1803 total head impacts from a combination of head model simulations and on-field college football and mixed martial arts impacts. Results: The proposed deep learning head model can calculate the maximum principal strain for every element in the entire brain in less than 0.001s (with an average root mean squared error of 0.025, and with a standard deviation of 0.002 over twenty repeats with random data partition and model initialization). The contributions of various features to the predictive power of the model were investigated, and it was noted that the features based on angular acceleration were found to be more predictive than the features based on angular velocity. Conclusion: Trained using the dataset of 1803 head impacts, this model can be applied to various sports in the calculation of brain strain with accuracy, and its applicability can even further be extended by incorporating data from other types of head impacts. Significance: In addition to the potential clinical application in real-time brain deformation monitoring, this model will help researchers estimate the brain strain from a large number of head impacts more efficiently than using FE models.
• Abstract（参考訳）: 目的: 頭部衝撃による脳の変形は、軽度の外傷性脳損傷(mTBI)など、対応する臨床結果と相関していることが近年多くの研究で示唆されている。 いくつかの有限要素 (FE) ヘッドモデルを開発し, 衝撃運動学に基づく脳の変形を計算しているが, これらのFEヘッドモデルの臨床応用は, FEシミュレーションの時間的特性のために限られている。 本研究の目的は,脳の変形計算を高速化し,臨床応用の可能性を高めることである。 方法:我々は,5層深層ニューラルネットワークと特徴工学を用いたディープラーニングヘッドモデルを提案し,ヘッドモデルシミュレーションとオンフィールド大学フットボールと複合格闘技の併用による1803個の頭部衝撃を訓練し,実験を行った。 結果:提案したディープラーニングヘッドモデルは,0.001秒未満で全脳の各要素の最大主ひずみを算出できる(平均根平均二乗誤差は0.025,標準偏差は0.002,ランダムデータ分割とモデル初期化)。 モデルの予測力に対する様々な特徴の寄与について検討し,角加速度に基づく特徴が角速度に基づく特徴よりも予測的であることが確認された。 結論: このモデルは1803個の頭部衝撃のデータセットを用いて訓練され, 脳のひずみを精度良く計算する各種スポーツに応用でき, その他の頭部衝撃のデータを組み込むことにより, さらに適用性を高めることができる。 意義:リアルタイム脳の変形モニタリングにおける潜在的な臨床応用に加え、このモデルは、研究者がFEモデルを使用するよりも多くの頭部からの脳のひずみを効率的に推定するのに役立つ。

関連論文リスト

• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Toward more accurate and generalizable brain deformation estimators for traumatic brain injury detection with unsupervised domain adaptation [1.879939924548147]
  外傷性脳損傷(TBI)の早期検出を目的とした機械学習ヘッドモデル(MLHM)の開発 本稿では、教師なし領域適応とディープニューラルネットワークを統合する脳変形推定器を提案する。
  論文  参考訳（メタデータ） (2023-06-08T14:52:56Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• Data-driven decomposition of brain dynamics with principal component analysis in different types of head impacts [2.216657815393579]
  ひずみ速度とひずみ速度は外傷性脳損傷の予測に有効である。 キネマティクスに基づくモデルでは、これらの指標を推定することは、キネマティクスと頭部の衝撃タイプ全体にわたる傷害指標の両方の、かなり異なる分布に苦しむ。 運動学的特徴は頭部の衝撃の種類によって大きく異なり、脳の変形のパターンも様々である。
  論文  参考訳（メタデータ） (2021-10-27T01:38:01Z)
• Rapidly and accurately estimating brain strain and strain rate across head impact types with transfer learning and data fusion [2.216657815393579]
  脳のひずみとひずみ速度は頭部の損傷による外傷性脳損傷(TBI)を予測するのに有効である。 FEMは計算にかなりの計算時間を必要とし、リアルタイムのTBIリスク監視への応用を制限する。 機械学習ヘッドモデル(MLHM)を開発し、トレーニング/テストデータセットが異なるヘッドインパクトタイプから得られた場合、モデルの精度が低下することが判明した。 MLHMを13,623個の頭部衝撃、アメリカンフットボール、混成格闘技、カークラッシュで訓練し、シミュレーションのみまたはフィールド上の衝撃でトレーニングされたモデルと比較した。
  論文  参考訳（メタデータ） (2021-08-31T01:45:20Z)
• Kinematics clustering enables head impact subtyping for better traumatic brain injury prediction [2.1108097398435337]
  外傷性脳損傷は、様々な種類の頭部衝撃によって引き起こされる。 多くの脳損傷リスク推定モデルは、人間が持続する可能性のある様々な影響に対して一般化できない。
  論文  参考訳（メタデータ） (2021-08-07T18:31:05Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Biomechanical modelling of brain atrophy through deep learning [4.67368836235476]
  このツールは、アルツハイマー病ニューロイメージングイニシアティブデータセットの縦方向の脳肥大データを使用して検証されます。 訓練されたモデルでは,新しい脳の変形を最小限の残差で高速にシミュレートできることを実証する。 この方法は、データ増強や、脳の成長と萎縮を反映する様々な因果仮説の探索に使用される可能性がある。
  論文  参考訳（メタデータ） (2020-12-14T14:40:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。