Deep Convolutional Neural Networks for Diagnosis of Parkinson’s Disease Using MRI Data
Notice bibliographique
Résumé
Parkinson's Disease (PD) is a progressive neurological disorder that develops through several stages, including suggestive symptoms, stage 1, stage 2, and stage 3. Identifying the severity of PD and predicting its progression can be challenging due to the limitations of medical settings.Consequently, there is a need for novel techniques to facilitate early-stage classification of PD, potentially addressing the financial and time constraints associated with determining disease stages.Recent research has focused on employing supervised and unsupervised machine learning algorithms for the reliable diagnosis of PD, stage identification, and trajectory prediction using clinical and preclinical data.The diagnosis of PD may be improved by incorporating various techniques, including deep learning and machine learning approaches.This study proposes a Deep Convolutional Neural Networks (DCNN) approach based on MRI data to enhance the accuracy of PD classification.The paper presents several key contributions.Initially, a DCNN model was developed to classify Parkinson's Disease.Subsequently, the main objective was to identify the network topology that yielded optimal accuracy and recall.To achieve this, various network structures were examined, and several topological variants were determined.The proposed model was trained using features from the Parkinson's Progression Markers Initiative (PPMI) database, achieving an accuracy of 95% for the PPMI data.The results obtained through applying the proposed model on the PPMI datasets demonstrate its superior performance compared to traditional methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».