論文の概要: Data-driven decomposition of brain dynamics with principal component analysis in different types of head impacts

• arxiv url: http://arxiv.org/abs/2110.14116v1
• Date: Wed, 27 Oct 2021 01:38:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 06:10:09.825221
• Title: Data-driven decomposition of brain dynamics with principal component analysis in different types of head impacts
• Title（参考訳）: 頭部衝撃の異なる種類の主成分分析による脳動力学のデータ駆動分解
• Authors: Xianghao Zhan, Yuzhe Liu, Nicholas J. Cecchi, Olivier Gevaert, Michael M. Zeineh, Gerald A. Grant, David B. Camarillo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.216657815393579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strain and strain rate are effective traumatic brain injury predictors. Kinematics-based models estimating these metrics suffer from significant different distributions of both kinematics and the injury metrics across head impact types. To address this, previous studies focus on the kinematics but not the injury metrics. We have previously shown the kinematic features vary largely across head impact types, resulting in different patterns of brain deformation. This study analyzes the spatial distribution of brain deformation and applies principal component analysis (PCA) to extract the representative patterns of injury metrics (maximum principal strain (MPS), MPS rate (MPSR) and MPSXMPSR) in four impact types (simulation, football, mixed martial arts and car crashes). We apply PCA to decompose the patterns of the injury metrics for all impacts in each impact type, and investigate the distributions among brain regions using the first principal component (PC1). Furthermore, we developed a deep learning head model (DLHM) to predict PC1 and then inverse-transform to predict for all brain elements. PC1 explained >80% variance on the datasets. Based on PC1 coefficients, the corpus callosum and midbrain exhibit high variance on all datasets. We found MPSXMPSR the most sensitive metric on which the top 5% of severe impacts further deviates from the mean and there is a higher variance among the severe impacts. Finally, the DLHM reached mean absolute errors of <0.018 for MPS, <3.7 (1/s) for MPSR and <1.1 (1/s) for MPSXMPSR, much smaller than the injury thresholds. The brain injury metric in a dataset can be decomposed into mean components and PC1 with high explained variance. The brain dynamics decomposition enables better interpretation of the patterns in brain injury metrics and the sensitivity of brain injury metrics across impact types. The decomposition also reduces the dimensionality of DLHM.
• Abstract（参考訳）: ひずみとひずみ速度は外傷性脳損傷の予測因子である。 これらのメトリクスを推定するキネマティクスベースのモデルは、キネマティクスと頭部衝撃タイプのケガメトリクスの両方のかなり異なる分布に苦しむ。 これに対処するために、以前の研究はキネマティックスにフォーカスしているが、ケガの指標ではない。 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。 本研究では,脳の変形の空間分布を分析し,損傷指標(MPS),MPS速度(MPSR),MPSXMPSR)を4種類のインパクトタイプ(シミュレーション,フットボール,混合格闘技,カークラッシュ)で抽出するために主成分分析(PCA)を適用した。 本研究はPCAを用いて、各衝撃の種類ごとの損傷指標のパターンを分解し、第1主成分(PC1)を用いて脳領域の分布を調査する。 さらに,pc1を予測し,すべての脳要素を逆変換して予測するdeep learning head model(dlhm)を開発した。 PC1はデータセットの80%のばらつきを説明した。 PC1係数に基づいて、コーパスカロサムとミドルブレインは全てのデータセットに高いばらつきを示す。 以上の結果から,MPSXMPSRが最も敏感な測定値であり,重度影響の上位5%が平均値から逸脱し,重度影響のばらつきが大きいことがわかった。 最後に、DLHMはMPSでは0.018、MPSRでは<3.7 (1/s)、MPSXMPSRでは<1.1 (1/s)の絶対誤差に達した。 データセットの脳損傷測定値は平均成分に分解でき、PC1は説明可能なばらつきが高い。 脳のダイナミックス分解は、脳損傷メトリクスのパターンのより良い解釈と、脳損傷メトリクスの衝撃タイプに対する感度を可能にします。 この分解によりDLHMの次元性も低下する。

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)
• 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)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• 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)
• 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)
• Relationship between brain injury criteria and brain strain across different types of head impacts can be different [2.231237759133542]
  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。
  論文  参考訳（メタデータ） (2020-12-18T01:41:41Z)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。