[논문 리뷰] Deep Learning Head Model for Real-time Estimation of Entire Brain Deformation in Concussion

Xianghao Zhan, Yuzhe Liu외 7명|arXiv (Cornell University)|2020. 10. 16.

Traumatic Brain Injury Research참고 문헌 48인용 수 7

한 줄 요약

이 논문은 유한요소(Fe) 방법에 비해 시간 소모가 심한 기존의 mTBI 연구에서의 임상적 한계를 해결하기 위해, 5층 신경망을 사용한 딥러닝 헤드 모델을 제안한다. 이 모델은 설계된 운동학적 특징을 활용해 전체 뇌의 최대 주응력을 0.001초 이내로 예측하며, 시뮬레이션과 실제 스포츠 데이터에서의 1,803건의 두부 충격에 대해 루트 평균 제곱 오차(RMSE)가 0.025에 도달하여 기존의 유한요소 방법 대비 mTBI 위험 평가 속도를 크게 향상시킨다.

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.

연구 동기 및 목표

• 유한요소(FE) 모델이 mTBI 연구에서 시간 소모가 심해 실시간 적용이 어려운 임상적 한계를 해결하기 위해.
• 두부 충격 운동학으로부터 전체 뇌 변형을 추정하기 위한 빠르고 확장 가능한 FE 시뮬레이션의 대체 방법을 개발하기 위해.
• 착용형 센서 데이터와 기계학습을 활용해 스포츠 현장에서 뇌 변형을 실시간으로 모니터링할 수 있도록 하기 위해.
• 계산 비용이 많이 드는 FE 시뮬레이션을 대체할 수 있는 학습된 서rogate 모델로 대체함으로써, 두부 충격의 대규모 분석 효율성을 향상시키기 위해.
• 특히 각加속도가 뇌 변형 예측에 중요한지 분석하기 위해 설계된 운동학적 특징의 예측 중요도를 조사하기 위해.

제안 방법

• 대학 미식축구 및 혼합무술에서의 유한요소 시뮬레이션과 실제 측정된 구강 보호대 데이터를 융합한 1,803건의 두부 충격 데이터를 기반으로 5층 딥 네트워크를 훈련한다.
• 선형 및 각가속도, 각속도의 시간 도메인 신호를 포함한 두부 충격 운동학에서 유도된 특징을 모델 입력으로 사용한다.
• 뇌 변형의 관련 기계적 예측 변수를 추출하기 위해 특징 선택 및 설계 기법을 적용하며, 특히 각가속도 프로파일에 중점을 둔다.
• 강화 학습의 일환으로 확률적 경량 최적화를 사용하고 조기 정지 및 무작위 데이터 분할 기법을 적용하여 모델의 강건성과 일반화 능력을 확보한다.
• 루트 평균 제곱 오차(RMSE), 반복 실행 시 표준편차, 특징 중요도 분석을 통해 모델 성능을 검증한다.
• 실시간 임상 해석과 간병 지침 제공을 위해 예측된 전체 뇌 변형 분포를 시각화한다.

실험 결과

연구 질문

• RQ1 시뮬레이션 및 실제 두부 충격 데이터로 훈련된 딥러닝 모델이 실시간으로 전체 뇌 최대 주응력을 정확하게 예측할 수 있는가?
• RQ2 특히 각가속도 대비 각속도와 같은 다양한 설계된 운동학적 특징이 모델의 예측 정확도에 기여하는 정도는 어떠한가?
• RQ3 딥러닝 서rogate 모델이 높은 정확도를 유지하면서도 전통적인 유한요소 시뮬레이션보다 얼마나 더 빠른가?
• RQ4 다양한 충격 유형, 예를 들어 다른 스포츠나 충격 강도에서 모델이 일반화 가능한가?
• RQ5 모델의 은닉층에서 학습된 표현을 해석함으로써 뇌 변형 메커니즘에 대한 통찰을 얻을 수 있는가?

주요 결과

• 딥러닝 헤드 모델은 각 충격에 대해 0.001초 이내로 전체 뇌 최대 주응력을 계산하여 실시간 적용이 가능하다.
• 20번의 독립적인 훈련 런에 걸쳐 평균 루트 평균 제곱 오차가 0.025이며 표준편차가 0.002로 나타나 높은 일관성과 정확도를 보였다.
• 각가속도 기반 특징가 각속도 기반 특징보다 최대 주응력 예측에 더 뛰어난 예측 능력을 보여, 생물역학적 관련성이 높음을 시사한다.
• 모델은 시뮬레이션, 미식축구, MMA 충격 등 다양한 충격 유형에 대해 일반화 성능을 성공적으로 확보하여 데이터 변동성에 강건함을 입증했다.
• 특징 중요도 분석 결과, 회전 운동을 반영하는 운동학적 특징이 정확한 변형 예측에 핵심적인 역할을 한다는 것이 확인되었다.
• 모델은 임상 의사결정 지원을 위한 상처 위험 지역의 공간 정위를 가능하게 하는 전체 뇌에 걸친 고해상도 변형 지도를 제공한다.