論文の概要: Relationship between brain injury criteria and brain strain across different types of head impacts can be different

• arxiv url: http://arxiv.org/abs/2012.10006v3
• Date: Mon, 19 Apr 2021 06:51:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 04:33:29.258257
• Title: Relationship between brain injury criteria and brain strain across different types of head impacts can be different
• Title（参考訳）: 脳損傷基準と頭部障害の種類による脳ひずみの関係は異なる可能性がある
• Authors: Xianghao Zhan, Yiheng Li, Yuzhe Liu, August G. Domel, Hossein Vahid Alizadeh, Samuel J. Raymond, Jesse Ruan, Saeed Barbat, Stephen Tiernan, Olivier Gevaert, Michael Zeineh, Gerald Grant, David B. Camarillo
• Abstract要約: 複数の脳損傷基準(BIC)が開発され、頭部衝撃後の脳損傷リスクを迅速に定量化します。 異なる種類の頭部衝撃に対する脳損傷リスク推定におけるBICの使用精度は評価されていない。
• 参考スコア（独自算出の注目度）: 2.231237759133542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple brain injury criteria (BIC) are developed to quickly quantify brain injury risks after head impacts. These BIC originated from different types of head impacts (e.g., sports and car crashes) are widely used in risk evaluation. However, the accuracy of using the BIC on brain injury risk estimation across different types of head impacts has not been evaluated. Physiologically, brain strain is often considered the key parameter of brain injury. To evaluate the BIC's risk estimation accuracy across five datasets comprising different head impact types, linear regression was used to model 95% maximum principal strain, 95% maximum principal strain at the corpus callosum, and cumulative strain damage (15%) on each of 18 BIC respectively. The results show a significant difference in the relationship between BIC and brain strain across datasets, indicating the same BIC value may suggest different brain strain in different head impact types. The accuracy of brain strain regression is generally decreasing if the BIC regression models are fit on a dataset with a different type of head impact rather than on the dataset with the same type. Given this finding, this study raises concerns for applying BIC to estimate the brain injury risks for head impacts different from the head impacts on which the BIC was developed.
• Abstract（参考訳）: 複数の脳損傷基準(bic)が開発され、頭部衝突後の脳損傷リスクを迅速に定量化することができる。 これらのBICは、様々なタイプの頭部衝突(例えばスポーツや自動車事故)がリスク評価に広く用いられていることに由来する。 しかし,脳損傷リスク評価におけるBICの精度は,異なる種類の頭部衝撃に対して評価されていない。 生理学的には、脳のひずみはしばしば脳損傷の重要なパラメータとみなされる。 ヘッドインパクトタイプが異なる5つのデータセットにおけるbicのリスク推定精度を評価するために、リニアレグレッションを用いて、各18 bicに対して95%の最大主ひずみ、95%のコーパスカルボサムにおける最大主ひずみ、および累積ひずみ損傷(15%)をそれぞれモデル化した。 その結果、データセット間でのBICと脳のひずみの関係は有意な差を示し、同じBIC値が、異なる脳の衝撃タイプで異なる脳のひずみを示す可能性が示唆された。 脳ひずみ回帰の精度は、BIC回帰モデルが同じタイプのデータセットではなく、異なるタイプの頭部インパクトを持つデータセットに適合している場合、一般的に低下している。 この知見を踏まえて,本研究は,bicが発達した頭部衝撃と異なる頭部衝撃に対する脳損傷リスクを推定するためにbicを適用することについての懸念を提起する。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• 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)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Predictive Factors of Kinematics in Traumatic Brain Injury from Head Impacts Based on Statistical Interpretation [2.606682359022052]
  頭部の衝撃による脳組織の変形は、主に回転によって引き起こされる。 これらのキネマティクスの様々な要因に基づく様々な脳損傷基準が開発されている。 脳の損傷基準をより良く設計するために、回転運動学因子の予測力を解析した。
  論文  参考訳（メタデータ） (2021-02-09T18:37:20Z)
• Deep Learning Head Model for Real-time Estimation of Entire Brain Deformation in Concussion [1.707455267617432]
  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。
  論文  参考訳（メタデータ） (2020-10-16T17:37:59Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。