ترکیب شبکه عصبی کانولوشن (CNN) و Grad-CAM برای پیش بینی و تفسیر پذیری بصری بیماری پارکینسون

بیماری پارکینسون یکی از انواع بیماری های عصبی است که در اثر تخریب سلول های مغزی تولید کننده دوپامین ایجاد می شود. تشخیص زودهنگام بیماری پارکینسون عامل مهمی در کاهش سرعت پیشرفت بیماری است. در این مطالعه، از یک شبکه عصبی کانولوشن (CNN) به نام ConvNet برای طبقه بندی افراد سالم و افراد مبتلا به بیماری پارکینسون بر اساس تصاویر توموگرافی رایانه ای تک فوتونی (SPECT) از پایگاه داده PPMI استفاده شده است. از آنجایی که این مجموعه داده محدود است، پس از یک مرحله پیش پردازش داده ها، از دو تکنیک افزایش داده کلاسیک برای جلوگیری از بیش برازش و عملکرد بهتر مدل استفاده شده است. در نهایت از تکنیک Grad-CAM جهت تفسیر پیش بینی های انجام شده توسط شبکه عصبی کانولوشن پیشنهادی استفاده شده است. برای ارزیابی روش پیشنهادی از معیارهای متنوعی همچون دقت، حساسیت و f۱-score استفاده شده است. نتایج شبیه سازی برحسب معیارهای ارزیابی نشان می دهد که با استفاده از تکنیک افزایش داده کلاسیک می توان طبقه بندی موثرتری انجام داد، به گونه ای که روش پیشنهادی از نظر دقت طبقه بندی به دقت ۹۸.۵% دست یافت.

Keywords:

بیماری پارکینسون , شبکه عصبی کانولوشن , تصاویرSPECT , افزایش داده , Grad-CAM