NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), dünya çapında milyonlarca insanı etkileyen bir progresif nörodejeneratif bozukluktur. Erken teşhis, hasta sonuçlarını iyileştirmek için çok önemlidir. Spiral çizim analizi, PD ile ilişkili erken motor bozukluklarını tespit etmek için invaziv olmayan bir araç olarak ortaya çıkmıştır. Bu çalışma, spiral çizimler kullanarak PD tespitinde hibrid derin öğrenme ve makine öğrenme modellerinin performansını, veri büyütme tekniklerinin etkisine odaklanarak inceler. Vision Transformer (ViT) doğruluğunu K-Nearest Neighbors (KNN), Convolutional Neural Networks (CNN) ile Support Vector Machines (SVM) ve Residual Neural Networks (ResNet-50) ile Logistic Regression ile karşılaştırarak hem artırılmış hem de artırılmış olmayan verilerdeki performanslarını değerlendiriyoruz. Bulgularımız, başlangıçta KNN ile ViT'nin, başlangıçta kullanılmayan verilerde% 96,77 doğruluk elde ettiğini, tüm büyütme teknikleri arasında dikkate değer bir düşüş yaşadığını ve spiral çizimlerde küresel kalıplara dayandığını öne sürdüğünü ortaya koyuyor. Buna karşılık, Logistic Regression ile ResNet-50, veri büyütme ile tutarlı bir iyileşme gösterdi, dönme ve çevirme teknikleri uygulandığında% 93,55 doğruluk elde etti. Bu sonuçlar, hibrit modellerin büyütmeye farklı tepki verdiğini ve model performansını optimize etmek için büyütme stratejilerinin dikkatli bir şekilde seçilmesinin gerekli olduğunu vurgulamaktadır. Çalışmamız, erken PD tespiti için güvenilir teşhis araçlarının geliştirilmesine ilişkin önemli bilgiler sağlar ve tıbbi görüntü analizinde uygun büyütme tekniklerine ihtiyaç duyulduğunu vurgular.
Özgün kaynak özetini okuyun
Parkinson's Disease (PD) is a progressive neurodegenerative disorder affecting millions worldwide. Early detection is crucial for improving patient outcomes. Spiral drawing analysis has emerged as a non-invasive tool to detect early motor impairments associated with PD. This study examines the performance of hybrid deep learning and machine learning models in detecting PD using spiral drawings, with a focus on the impact of data augmentation techniques. We compare the accuracy of Vision Transformer (ViT) with K-Nearest Neighbors (KNN), Convolutional Neural Networks (CNN) with Support Vector Machines (SVM), and Residual Neural Networks (ResNet-50) with Logistic Regression, evaluating their performance on both augmented and non-augmented data. Our findings reveal that ViT with KNN, initially achieving 96.77% accuracy on unaugmented data, experienced a notable decline across all augmentation techniques, suggesting it relies heavily on global patterns in spiral drawings. In contrast, ResNet-50 with Logistic Regression showed consistent improvement with data augmentation, reaching 93.55% accuracy when rotation and flipping techniques were applied. These results highlight that hybrid models respond differently to augmentation, and careful selection of augmentation strategies is necessary for optimizing model performance. Our study provides important insights into the development of reliable diagnostic tools for early PD detection, emphasizing the need for appropriate augmentation techniques in medical image analysis.
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.