Enhanced Parkinson’s Disease Diagnosis Through Convolutional Neural Network Models Applied to SPECT DaTSCAN Images
Notice bibliographique
Résumé
Convolutional Neural Networks (CNNs) are highly regarded in Deep Learning (DL) and have shown promising results in medical image analysis, making them a leading model for Computer-Aided Diagnosis (CAD) systems. Their efficacy extends to the diagnosis of neurological disorders, including Parkinson’s Disease (PD), which is typically identified through Single Photon Emission Computed Tomography (SPECT) scans. However, relying solely on visual inspection of SPECT images during medical examinations can introduce inaccuracies due to subjective factors. We propose a CAD system for automatic PD diagnosis using pre-trained CNN models, Transfer Learning (TL) technique, and the Bilinear Pooling method to address this issue. The study employs several CNN architectures, specifically Efficient-Net B0, and Mobile-Net V2 models, and a custom CNN architecture. These pre-tained architectures were originally trained on ImageNet and adapted to the current task using the TL technique. These architectures are leveraged with a bilinear pooling form, resulting in three Bilinear CNN (BCNN) models. These models are applied to pre-processed SPECT image data of PD patients and Healthy Controls (HC), categorized into three distinct datasets. The proposed method is evaluated on a total of 2720 SPECT images (1360 PD and 1360 HC subjects) obtained from the Parkinson’s Progression Marker Initiative (PPMI) dataset. The findings show that the BCNN EfficientNet-B0-MobileNet-V2 model achieved the highest accuracy score of 99.14%, surpassing other developed CNN models and outperforming existing methods. In conclusion, the proposed CAD system provides an efficient diagnostic tool to assist physicians in making accurate PD diagnoses, independent of subjective factors.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».