論文の概要: Toward more accurate and generalizable brain deformation estimators for
traumatic brain injury detection with unsupervised domain adaptation
- arxiv url: http://arxiv.org/abs/2306.05255v1
- Date: Thu, 8 Jun 2023 14:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 13:58:18.586540
- Title: Toward more accurate and generalizable brain deformation estimators for
traumatic brain injury detection with unsupervised domain adaptation
- Title（参考訳）: 教師なし領域適応による外傷性脳損傷検出のためのより正確で汎用的な脳変形推定装置の開発
- Authors: Xianghao Zhan, Jiawei Sun, Yuzhe Liu, Nicholas J. Cecchi, Enora Le
Flao, Olivier Gevaert, Michael M. Zeineh, David B. Camarillo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.879939924548147
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning head models (MLHMs) are developed to estimate brain
deformation for early detection of traumatic brain injury (TBI). However, the
overfitting to simulated impacts and the lack of generalizability caused by
distributional shift of different head impact datasets hinders the broad
clinical applications of current MLHMs. We propose brain deformation estimators
that integrates unsupervised domain adaptation with a deep neural network to
predict whole-brain maximum principal strain (MPS) and MPS rate (MPSR). With
12,780 simulated head impacts, we performed unsupervised domain adaptation on
on-field head impacts from 302 college football (CF) impacts and 457 mixed
martial arts (MMA) impacts using domain regularized component analysis (DRCA)
and cycle-GAN-based methods. The new model improved the MPS/MPSR estimation
accuracy, with the DRCA method significantly outperforming other domain
adaptation methods in prediction accuracy (p<0.001): MPS RMSE: 0.027 (CF) and
0.037 (MMA); MPSR RMSE: 7.159 (CF) and 13.022 (MMA). On another two hold-out
test sets with 195 college football impacts and 260 boxing impacts, the DRCA
model significantly outperformed the baseline model without domain adaptation
in MPS and MPSR estimation accuracy (p<0.001). The DRCA domain adaptation
reduces the MPS/MPSR estimation error to be well below TBI thresholds, enabling
accurate brain deformation estimation to detect TBI in future clinical
applications.
- Abstract（参考訳）: 外傷性脳損傷(tbi)早期検出のための脳変形を推定するために,機械学習ヘッドモデル(mlhms)を開発した。
しかし、シミュレーションによる影響の過剰と、異なる頭部衝撃データセットの分布シフトによる一般化性の欠如は、現在のmlhmsの広範な臨床応用を妨げる。
本稿では,教師なし領域適応を深層ニューラルネットワークに統合し,全脳最大主ひずみ(MPS)とMPS速度(MPSR)を予測する脳変形推定器を提案する。
12,780個の頭部衝撃を模擬し,302個のカレッジフットボール(CF)衝撃と457個の複合格闘技(MMA)衝撃を,ドメイン正規化成分分析(DRCA)およびサイクルGAN法を用いて非教師なし領域適応を行った。
新しいモデルでは,MPS/MPSR推定精度が向上し,DRCA法は予測精度において他の領域適応法よりも有意に向上した(p<0.001),MPS RMSE:0.027(CF),0.037(MMA),MPSR RMSE:7.159(CF),13.022(MMA)。
また,大学サッカーの195点,ボクシングの260点を含む2つのホールドアウトテストセットにおいて,DRCAモデルはMPSおよびMPSR推定精度において,ドメイン適応を伴わないベースラインモデルよりも有意に優れていた(p<0.001)。
DRCAドメイン適応は、MPS/MPSR推定誤差をTBI閾値よりかなり低くし、将来の臨床応用において正確な脳の変形推定を可能にする。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Mitigating the Influence of Domain Shift in Skin Lesion Classification:
A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic
Images [3.2186308082558632]
皮膚病変分類におけるディープニューラルネットワークの可能性は、皮膚科医の診断に勝るものではないが、すでに実証されている。
これらのモデルの性能は通常、テストデータがトレーニングデータ(ドメインシフト)と大きく異なるときに劣化する。
本研究では,8種類の非教師付き領域適応手法の詳細な解析を行い,その適用性を検討した。
論文 参考訳（メタデータ） (2023-10-05T10:17:47Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - 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) - Comparison of single and multitask learning for predicting cognitive
decline based on MRI data [0.41998444721319217]
アルツハイマー病評価尺度(英: Alzheimer's Disease Assessment Scale-Cognitive subscale、ADAS-Cog)は、神経心理学のツールである。
ADAS-Cogスコアの変化の予測は、認知症および無リスク集団のタイミング治療介入に役立つ可能性がある。
予測モデルを学習するための推奨方法は、単一タスク正規化線形回帰である。
論文 参考訳（メタデータ） (2021-09-21T15:46:42Z) - 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) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Transfer Learning improves MI BCI models classification accuracy in
Parkinson's disease patients [50.591267188664666]
運動運動に基づくBCI(MIBCI)は、パーキンソン病患者の能力向上と障害症状の軽減を可能にする。
精度と時間関連キャリブレーションの課題を克服するためには、高度なMotor Imagery BCI法が必要である。
本研究は, PD患者に対するMI BCIの精度向上を目的とした, 転写学習に基づくFBCSPアプローチを提案する。
論文 参考訳（メタデータ） (2020-10-29T19:28:00Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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)
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。