建筑意识增强:一种混合深度学习和机器学习方法,用于增强帕金森病检测

科学领域:

• 神经科学是一个神经科学.
• 医学成像分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 帕金森病 (PD) 是一种进展性神经退行性疾病,全球有数百万人受到影响.
• 早期发现PD对于改善患者的治疗结果和治疗效果至关重要.
• 螺旋绘图分析提供了一种非侵入性方法,用于识别PD的早期运动障碍.

研究的目的:

• 用螺旋图来评估混合深度学习和机器学习模型用于早期发现帕金森病的性能.
• 研究各种数据增强技术对模型准确性的影响.
• 为了比较不同模型组合 (ViT-KNN,CNN-SVM,ResNet-50-LR) 带有和没有数据增强的有效性.

主要方法:

• 三种混合模型的比较:视觉变压器 (ViT) 与K-最近邻居 (KNN),卷积神经网络 (CNN) 与支持矢量机器 (SVM) 以及残余神经网络 (ResNet-50) 与后勤回归.
• 在增强和非增强螺旋绘图数据集上对模型性能的评估.
• 应用各种数据增强技术,包括旋转和翻转.

主要成果:

• ViT-KNN模型初始准确度高 (96.77%),但随着数据增强,显示性能下降,表明依赖全球模式.
• 通过数据增强,ResNet-50-LR模型表现出持续的性能改进,在旋转和翻转时达到93.55%的准确性.
• 不同的混合模型对数据增强表现出不同的反应,强调了技术选择的重要性.

结论:

• 混合模型显示了通过螺旋图分析早期检测帕金森病的潜力.
• 数据增强策略显著影响这些混合模型的性能.
• 精心选择和应用增强技术对于优化PD医学图像分析的诊断工具至关重要.