NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beyin görüntülemeye dayalı bilgisayar destekli teşhis sistemleri, nihai amacı hastalığı karakterize eden kalıpların otomatik olarak tanınması olan Parkinson hastalığının teşhisine yardımcı olmak için önemli bir araçtır. Son zamanlarda Convolutional Neural Networks (CNN) bu görev için inanılmaz derecede yararlı olduğunu kanıtladı. Bununla birlikte, dezavantaj, 3D beyin görüntülerinin karmaşık CNN mimarilerine yol açan çok miktarda bilgi içermesidir. Bu mimariler çok karmaşık hale geldiğinde, sınıflandırma performansları genellikle bozulur, çünkü eğitim algoritmasının sınırlamaları ve aşırı donanım. Bu nedenle, bu makale, en alakalı bilgileri tutarken bu miktarda veriyi azaltmanın bir yolu olarak isosurfaces kullanımını önermektedir. Bu isosurflar daha sonra, en iyi bilinen CNN mimarilerinden ikisi olan LeNet ve AlexNet'i kullanan bir sınıflandırma sistemi uygulamak için, DaTScan görüntülerini ortalama% 95,1 doğrulukla ve AUC =% 97 doğrulukla sınıflandırmak için kullanılır ve yakın zamanda önerilen sistemlerin çoğunda elde edilenlerle karşılaştırılabilir (biraz daha iyi) değerler elde edilir. Bu nedenle, izosurfların hesaplanmasının girdilerin karmaşıklığını önemli ölçüde azalttığı, bunun da hesaplama yükünün azalmasıyla yüksek sınıflandırma kazanımlarına yol açtığı sonucuna varılabilir.
Özgün kaynak özetini okuyun
Computer aided diagnosis systems based on brain imaging are an important tool to assist in the diagnosis of Parkinson's disease, whose ultimate goal is the detection by automatic recognizing of patterns that characterize the disease. In recent times Convolutional Neural Networks (CNN) have proved to be amazingly useful for that task. The drawback, however, is that 3D brain images contain a huge amount of information that leads to complex CNN architectures. When these architectures become too complex, classification performances often degrades because the limitations of the training algorithm and overfitting. Thus, this paper proposes the use of isosurfaces as a way to reduce such amount of data while keeping the most relevant information. These isosurfaces are then used to implement a classification system which uses two of the most well-known CNN architectures, LeNet and AlexNet, to classify DaTScan images with an average accuracy of 95.1% and AUC = 97%, obtaining comparable (slightly better) values to those obtained for most of the recently proposed systems. It can be concluded therefore that the computation of isosurfaces reduces the complexity of the inputs significantly, resulting in high classification accuracies with reduced computational burden.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.