NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), çoğunlukla yaşlı insanları etkileyen kötüleşen bir durumdur. PD için kesin tedavi eksikliği tanıyı çok zorlaştırır. Bununla birlikte, erken tanı için titreme gibi desenler kullanılarak, el yazısı analizi yararlı bir tanı tekniği haline gelmiştir. Bu çalışma, ResNet-50 ve GoogLeNet'i (RGG-Net) harmanlayan hibrit bir derin füzyon modeli önererek erken PD tanısını iyileştirmeyi amaçlamaktadır. RGG-Net modelini, ön işleme görüntüleri, ResNet-50 ve GoogLeNet modelleri gibi bir dizi adımda, özellik çıkarma için, Adaptive Feature Fusion tekniğini kullanarak özellikleri birleştirerek ve dikkat sürecini kullanarak ilgili özellikleri seçerek gösterdik, modelleri Hierarchical Ensemble Learning ile daha güçlü hale getirdik. grad-CAM tekniği PD öngörüsünde karar vermede kullanılır. Önerilen model, uyarlanabilir özellik füzyonu, hiyerarşik topluluk öğrenimi ve eXplainable Yapay Zeka gibi gelişmiş teknikleri kullanarak el yazısıyla yazılmış görüntüleri analiz etmenin güvenilir bir yoludur. Burada, hangi modelin elle yazılmış görüntüler kullanarak PD sınıflandırması için ilgili özellikleri en iyi şekilde yakaladığını belirlemek için önceden eğitilmiş on modeli analiz ettik. Dahil edilen modeller AlexNet, DenseNet-201, SqueezeNet1.1, VGG-16, VGG-19, ResNet-50, ResNet-101, GoogleNet, MobileNetV1 ve MobileNetV2. Önerilen derin transfer öğrenme modeli, modelin mükemmelliğini ve canlılığını gösteren diğer son teknoloji yöntemlerden daha iyi performans göstererek% 99,12'lik bir doğruluk gösterdi. Önerilen model, konvolutional katmanları dondurarak ve donmadan önceden eğitilmiş tüm modellerden daha iyi performans gösterir. Bu sonuçlar Parkinson hastalığı öngörüsünde doğruluk ve şeffaflığın artırılmasında önerilen yaklaşımın etkinliğini ve erken tanının teşvik edilmesinde derin öğrenmenin potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
Parkinson's Disease (PD) is a deteriorating condition that mostly affects older people. The lack of conclusive treatment for PD makes diagnosis very challenging. However, using patterns like tremors for early diagnosis, handwriting analysis has become a useful diagnostic technique. This work aims to improve early PD diagnosis by proposing a hybrid deep fusion model that blends ResNet-50 and GoogLeNet (RGG-Net). We demonstrated the RGG-Net model in a series of steps such as preprocessing images, ResNet-50 and GoogLeNet models for feature extraction, combining the features using the Adaptive Feature Fusion technique and selecting the relevant features using the attention process, making the models stronger through Hierarchical Ensemble Learning. The grad-CAM technique is used for decision-making in PD prediction. The proposed model is a reliable way to analyze handwritten images using advanced techniques like adaptive feature fusion, hierarchical ensemble learning, and eXplainable Artificial Intelligence. Here, we analyzed ten pre-trained models to determine which model best captures the relevant features for PD classification using handwritten images. The models included are AlexNet, DenseNet-201, SqueezeNet1.1, VGG-16, VGG-19, ResNet-50, ResNet-101, GoogleNet, MobileNetV1, and MobileNetV2. The proposed deep transfer learning model showed an accuracy of 99.12%, outperforming the other state-of-the-art methods, indicating the model's excellence and vigor. The proposed model performs better than all pre-trained models with and without freezing convolutional layers. These results underscore the efficacy of the proposed approach in enhancing accuracy and transparency in Parkinson's disease prediction and the potential of deep learning in promoting early diagnosis.
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.