为了更准确和更普遍的脑变形估计器来检测创伤性脑损伤,无监督的域适应
Xianghao Zhan1, Jiawei Sun1, Yuzhe Liu1,2
1Department of Bioengineering, Stanford University, CA, 94305, USA.
ArXiv
|June 19, 2023
概括
这项研究引入了一种新的机器学习头模型 (MLHM),使用无监督域适应来改善创伤性脑损伤 (TBI) 检测. DRCA方法提高了大脑变形估计的准确性,以获得更好的临床应用.
科学领域:
- 计算神经科学是一种计算神经科学.
- 生物机械工程 生物机械工程
- 机器学习在医学中的应用.
背景情况:
- 机器学习头模型 (MLHMs) 通过估计大脑变形来检测创伤性脑损伤 (TBI) 是有前途的.
- 目前的MLHMs由于数据集转移而遭受模拟数据的过度拟合和糟糕的概括性,从而限制了临床使用.
研究的目的:
- 开发先进的大脑变形估计器,将无监督域适应与深度神经网络集成在一起.
- 为了提高整个大脑最大主要应变 (MPS) 和MPS率 (MPSR) 的预测准确性,用于TBI检测.
主要方法:
- 利用无监督域调整技术,包括域调整组件分析 (DRCA) 和循环GAN,在广泛的模拟和真实世界的头部冲击数据集 (大学足球,MMA) 上.
- 训练深度神经网络来预测MPS和MPSR,将DRCA性能与没有域调整的基线模型进行比较.
主要成果:
- DRCA方法显著提高了MPS和MPSR估计的准确性,超过了其他域调整方法.
- 实现了MPS (例如,CF的0.027) 和MPSR (例如,CF的7.159) 的低平方根平均误差 (RMSE).
- 与非域适应基线相比,DRCA在持久测试集 (大学足球,拳击) 上表现优越.
结论:
- 基于DRCA的域适应有效地减少了低于TBI值的大脑变形估计错误.
- 这种方法可以通过提高MLHM的概括性,在临床环境中更准确地检测TBI.
