面向更精确且更具泛化性的脑变形估计器：基于无监督域适应用于创伤性脑损伤检测
机器学习
2024-06-04 v1 信号处理
生物物理
定量方法
应用统计
摘要
机器学习头部模型（MLHM）被开发用于估计脑变形以早期检测创伤性脑损伤（TBI）。然而，对模拟撞击的过拟合以及不同头部撞击数据集分布偏移导致的泛化性不足，阻碍了当前MLHM的广泛临床应用。我们提出将无监督域适应与深度神经网络相集成的脑变形估计器，以预测全脑最大主应变（MPS）和MPS率（MPSR）。利用12,780次模拟头部撞击，我们使用域正则化成分分析（DRCA）和基于cycle-GAN的方法，对来自302次大学橄榄球（CF）撞击和457次综合格斗（MMA）撞击的现场头部撞击进行无监督域适应。新模型提高了MPS/MPSR估计精度，其中DRCA方法在预测精度上显著优于其他域适应方法（p<0.001）：MPS RMSE：0.027（CF）和0.037（MMA）；MPSR RMSE：7.159（CF）和13.022（MMA）。在另外两组保留测试集（195次大学橄榄球撞击和260次拳击撞击）上，DRCA模型在MPS和MPSR估计精度上显著优于无域适应的基线模型（p<0.001）。DRCA域适应将MPS/MPSR估计误差降低至远低于TBI阈值，从而实现准确的脑变形估计以在未来临床应用中检测TBI。
引用
@article{arxiv.2306.05255,
title = {Toward more accurate and generalizable brain deformation estimators for traumatic brain injury detection with unsupervised domain adaptation},
author = {Xianghao Zhan and Jiawei Sun and Yuzhe Liu and Nicholas J. Cecchi and Enora Le Flao and Olivier Gevaert and Michael M. Zeineh and David B. Camarillo},
journal= {arXiv preprint arXiv:2306.05255},
year = {2024}
}