ترکیب شبکه عصبی کانولوشن (cnn) و grad-cam برای پیش بینی و تفسیر پذیری بصری بیماری پارکینسون

بیماری پارکینسون یکی از انواع بیماری‌های عصبی است که در اثر تخریب سلول‌های مغزی تولید کننده دوپامین ایجاد می‌شود. 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 طبقه‌بندی افراد سالم و افراد مبتلا به بیماری پارکینسون بر اساس تصاویر توموگرافی رایانه‌ای تک فوتونی (spect) از پایگاه داده ppmi استفاده شده است. از آنجایی که این مجموعه داده محدود است، پس از یک مرحله پیش پردازش داده‌ها، 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 بینی‌های انجام شده توسط شبکه عصبی کانولوشن پیشنهادی استفاده شده است. برای ارزیابی روش پیشنهادی از معیارهای متنوعی همچون دقت، حساسیت و f1-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 گونه‌ای که روش پیشنهادی از نظر دقت طبقه بندی به دقت 98.5% دست یافت.

combining convolutional neural network (cnn) and grad-cam for parkinson’s disease prediction and visual explanation

parkinson’s disease is one of the types of neurological diseases that is caused by the destruction of brain cells that produce dopamine. early detection of parkinson’s disease is an important factor in slowing the progression of the disease. in this study, a convolutional neural network (cnn) namely convnet, is used to discriminate parkinson’s patients based on single photon emission computed tomography (spect) images acquired from the ppmi database. since the dataset is limited, after a pre-processing stage, two data augmentation techniques are used. finally, the grad-cam technique is used to obtain visual interpretation from the predictions of the proposed cnn. to evaluate the proposed method, different measures such as accuracy, sensitivity (recall) and f1-score are used. simulation results according to the measures shows that when the classic data augmentation method is used accuracy is increased to 98.50% and more efficient classification is performed.