MARC

 008250123s2024        us                              c    eng  d
■001000017162944
■00520250211152115
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384345107
■035    ▼a(MiAaPQ)AAI31460284
■035    ▼a(MiAaPQ)Stanfordhf095bq6733
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a500
■1001  ▼aZhan,  Xianghao.
■24510▼aOptimizing  the  Computational  Modeling  of  Traumatic  Brain  Injury  With  Machine  Learning  and  Large  Animal  Modeling
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a259  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Camarillo,  David;Gevaert,  Olivier.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aTraumatic  brain  injury  (TBI)  represents  a  significant  global  health  challenge,  affecting  over  1.7  million  people  annually.  Often  referred  to  as  concussions,  mild  TBIs  (mTBIs)  can  frequently  go  undetected,  yet  they  have  the  potential  to  cause  brain  damage.  Legislation  across  all  50  states  in  the  U.S.  addresses  sports-related  mild  traumatic  brain  injury  (mTBI),  requiring  medical  clearance  before  youth  players  can  return  to  play.  However,  there  currently  lacks  an  objective,  unbiased  method  to  pre-screen  potential  mTBI  sufferers  and  diagnose  mTBI.  While  imaging  holds  promise  as  an  objective  diagnostic  tool,  it  is  expensive  and  logistically  challenging.  Wearable  devices  that  monitor  head  impacts  offer  a  promising  pre-screening  method  for  individuals  susceptible  to  mTBI,  while  biomechanics  computation  can  link  these  wearable  devices  to  imaging  and  mTBI  pathologies.  This  dissertation  advances  TBI  biomechanics  modeling  by  integrating  machine  learning  techniques  with  large  animal  models,  enhancing  the  precision  and  applicability  of  biomechanical  modeling  for  improved  TBI  risk  assessment.  The  computational  biomechanics  modeling  of  TBI  typically  involves  the  sequence  of  head  impact,  head  movement  kinematics,  brain  deformation,  and  resulting  injuries.  Traditional  computational  modeling  methods  encounter  challenges  such  as  imprecise  kinematic  measurements  in  humans,  time-intensive  modeling  processes,  limited  generalizability  across  various  types  of  head  impacts,  and  missing  link  among  biomechanics  modeling,  imaging  and  pathology.  To  address  these  limitations,  my  research  leverages  extensive  simulated,  real-world  head  impact  and  animal  modeling  data  collected  to  optimize  the  accuracy,  speed,  generalizability,  interpretability  and  cross-species  translatabillity  of  the  TBI  biomechanics  modeling  process.  To  reduce  the  time  consumption,  machine  learning  head  models  have  been  developed  to  rapidly  compute  brain  strain  from  head  kinematics.  To  improve  the  accuracy,  deep  learning-based  models  have  been  employed  to  denoise  kinematic  measurements  obtained  from  wearable  sensors.  Additionally,  transfer  learning  and  unsupervised  domain  adaptation  techniques  have  been  utilized  to  generalize  the  machine  learning  head  models  to  diverse  types  of  head  impacts.  Furthermore,  to  bridge  the  gap  between  biomechanics  and  medical  imaging  for  enhanced  mild  TBI  diagnosis,  a  novel  impact  porcine  model  has  been  devised  to  establish  connections  between  biomechanics,  neuroimaging,  and  histopathology.
■590    ▼aSchool  code:  0212.
■650  4▼aKinematics
■650  4▼aDeep  learning
■650  4▼aBrain  research
■650  4▼aHuman  subjects
■650  4▼aTraumatic  brain  injury
■650  4▼aVolleyball
■650  4▼aConcussion
■650  4▼aNeurosciences
■690    ▼a0800
■690    ▼a0317
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162944▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서