使用 inception 检测帕金森病V3:一种深度学习方法

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 帕金森病 (PD) 是一种进展性神经退行性疾病,影响运动功能.
• 早期发现PD对于有效干预和改善患者预后至关重要.
• 目前的诊断方法可能具有侵入性或缺乏可访问性.

研究的目的:

• 评估深度学习算法在分类螺旋图像中的有效性,以进行非侵入性帕金森病检测.
• 评估不同卷积神经网络 (CNN) 架构在识别PD特征的运动障碍方面的性能.
• 探索转移学习在增强从螺旋图中提取特征方面的潜力.

主要方法:

• 一个由患有PD和没有PD的个体绘制的螺旋图像的数据集被策划.
• 四个CNN架构 (DenseNet121,InceptionV3,VGG16,LeNet) 被用来进行分类.
• 使用转移学习来改进模型检测微妙运动障碍模式的能力.

主要成果:

• 在DenseNet121和InceptionV3模型中,分类准确度高 (98.44%).
• VGG16在特征提取能力方面表现出强的表现.
• 特性扩展和混合深度学习模型有助于提高分类准确性.

结论:

• 深度学习为帕金森病的早期,非侵入性诊断提供了一种一致,高效和自动化的方法.
• 使用CNN的螺旋图像分析显示了作为低成本诊断工具的巨大潜力.
• 未来的研究可以将螺旋分析与其他生物标志物相结合,以进行全面的PD评估.