[論文レビュー] Deep Learning Head Model for Real-time Estimation of Entire Brain Deformation in Concussion

Xianghao Zhan, Yuzhe Liu+7 more|arXiv (Cornell University)|Oct 16, 2020

Traumatic Brain Injury Research参考文献 48被引用数 7

ひとこと要約

本論文は、5層のニューラルネットワークと設計された運動学的特徴を用いた深層学習ヘッドモデルを提案し、シミュレーションおよび実世界のスポーツデータからの1,803件の頭部衝撃において、0.001秒未塔で全脳最大主ひずみを予測するもので、決定的平均二乗誤差（RMSE）は0.025に達し、従来の有限要素法と比較してmTBIリスク評価を著しく高速化する。

ABSTRACT

Objective: Many recent studies have suggested that brain deformation resulting from a head impact is linked to the corresponding clinical outcome, such as mild traumatic brain injury (mTBI). Even though several finite element (FE) head models have been developed and validated to calculate brain deformation based on impact kinematics, the clinical application of these FE head models is limited due to the time-consuming nature of FE simulations. This work aims to accelerate the process of brain deformation calculation and thus improve the potential for clinical applications. Methods: We propose a deep learning head model with a five-layer deep neural network and feature engineering, and trained and tested the model on 1803 total head impacts from a combination of head model simulations and on-field college football and mixed martial arts impacts. Results: The proposed deep learning head model can calculate the maximum principal strain for every element in the entire brain in less than 0.001s (with an average root mean squared error of 0.025, and with a standard deviation of 0.002 over twenty repeats with random data partition and model initialization). The contributions of various features to the predictive power of the model were investigated, and it was noted that the features based on angular acceleration were found to be more predictive than the features based on angular velocity. Conclusion: Trained using the dataset of 1803 head impacts, this model can be applied to various sports in the calculation of brain strain with accuracy, and its applicability can even further be extended by incorporating data from other types of head impacts. Significance: In addition to the potential clinical application in real-time brain deformation monitoring, this model will help researchers estimate the brain strain from a large number of head impacts more efficiently than using FE models.

研究の動機と目的

• mTBI研究における有限要素（FE）モデルの臨床的限界を解決するため、時間的コストが高く、リアルタイム応用が困難である点に起因する問題に対処する。
• 頭部衝撃の運動学的特徴から全脳変形を推定するための高速でスケーラブルなFEシミュレーションの代替手法を開発する。
• ウェアラブルセンサーデータと機械学習を用いて、スポーツ現場での脳ひずみのリアルタイム監視を可能にする。
• 計算コストの高いFEシミュレーションを学習されたサーモンモデルに置き換えることで、頭部衝撃の大規模解析の効率を向上させる。
• 特に角加速度に注目した設計された運動学的特徴が、脳ひずみ推定に与える予測的意義を調査する。

提案手法

• 大学フットボールおよびマ mixed martial arts の両方のシミュレーションと実世界のインストゥルメンテッドマウスガード測定データを統合した1,803件の頭部衝撃データを用いて、5層の深層ニューラルネットワークを学習する。
• 線形加速度および角加速度・速度の時間領域信号を含む、頭部衝撃運動学的特徴から導出された特徴量をモデルの入力として使用する。
• 脳ひずみの予測に寄与する機械的予測子を抽出するために、特徴選択および特徴工学的手法を適用し、特に角加速度プロファイルに注目する。
• 収束を早めるためのエポック数の早期停止とランダムなデータ分割を用いた確率的勾配降下法により、モデルを最適化し、頑健性と一般化性能を確保する。
• 決定的平均二乗誤差（RMSE）、繰り返し実行時の標準偏差、および特徴重要度分析を用いて、モデルの性能を検証する。
• 臨床的解釈および介入指針の支援のため、リアルタイムでの全脳ひずみ分布の可視化を実施する。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションおよび実世界の頭部衝撃データで学習した深層学習モデルは、リアルタイムで全脳最大主ひずみを正確に予測できるか？
• RQ2 特に角加速度と角速度に注目した、さまざまな設計された運動学的特徴が、モデルの予測精度にどのように寄与するか？
• RQ3 深層学習サーモンモデルは、高い精度を維持しながら、従来の有限要素シミュレーションに比べてどれほど高速に性能を発揮できるか？
• RQ4 異なるスポーツや衝撃強度からの衝撃に、モデルは一般化できるか？
• RQ5 モデルの隠れ層で学習された表現の解釈から、脳ひずみの発生機構に関する何らかの知見が得られるか？

主な発見

• 深層学習ヘッドモデルは、1件の衝撃あたり0.001秒未塔で全脳最大主ひずみを計算可能であり、リアルタイム応用が可能である。
• 20回の独立した学習ランで平均決定的平均二乗誤差が0.025、標準偏差が0.002を示し、高い一貫性と正確性を示している。
• 角加速度に基づく特徴量が、角速度に基づく特徴量よりも最大主ひずみの予測に優れており、生物学的力学的意義が明確に示された。
• モデルは、シミュレーション、フットボール、MMAの衝撃を含む多様な衝撃タイプに一般化に成功し、データのばらつきに対しても頑健であることが示された。
• 特徴重要度分析から、回転動態を捉える運動学的特徴が、正確なひずみ予測に不可欠であることが明らかになった。
• モデルは全脳にわたる高分解能のひずみマップを提供しており、臨床意思決定における損傷リスクの空間的局在化を支援する。