A Finite Element Model for Estimating Axonal Damage in Traumatic Brain Injury
Notice bibliographique
Résumé
There has been an ongoing effort to reduce the occurrence of sports-related traumatic brain injury. These injuries are caused by an impact to the head and often lead to the damage of neural axons in the brain. This type of damage is classified as diffuse axonal injury (DAI) or traumatic axonal injury (TAI) [1]. One of the difficulties in studying the progression of axonal injury is that the structural signature of DAI cannot be readily visualized with conventional medical imaging modalities since the damage occurs at the cellular level [2]. This also makes the injury difficult to diagnose. Many researchers have turned to finite element (FE) models to study the development of diffuse axonal injury. FE models provide a means for observing the mechanical process of injury development from the loads to the head at the macroscale to the damage that results at the cellular level. However, for a finite element model to be a viable tool for studying DAI, the model must be able to accurately represent the behavior of the brain tissue, and it must be able to accurately predict injury. In this work, we address both of these issues in an effort to improve the material models and injury criteria used in current FE models of TBI. We represent the white matter with an anisotropic, hyper-viscoelastic constitutive model, incorporate the microstructure of the white matter through the use of diffusion tensor imaging (DTI), and estimate injury using an axonal strain injury (ASI) criterion (Figure 1). We also develop a novel method to quantify the degree of axonal damage in the fiber tracts of the brain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».