ВВЕДЕНИЕ. Болезнь Паркинсона - это прогрессирующее неврологическое заболевание, которое необходимо контролировать, прежде чем уязвимость к болезни возрастет. Раннее выявление болезни важно для предотвращения этой проблемы. Для решения этой проблемы используется метод анализа медицинских изображений. Медицинская визуализация - это процесс, с помощью которого искусственный интеллект используется для обнаружения заболевания и получения точного результата, который помогает врачу ускорить процесс лечения.

БИБЛИОТЕКА ДЛЯ ГЛУБОКОГО ОБУЧЕНИЯ: fastai - это библиотека глубокого обучения, используемая в этом классификаторе, поскольку она предоставляет компоненты высокого уровня, которые могут легко обеспечивать самые современные результаты, и предоставляет исследователям компоненты низкого уровня, которые могут смешиваться и согласовываться для построения новых подходов.

СБОР ДАННЫХ: данные получены с https://www.kaggle.com/kmader/parkinsons-drawings. Набор данных содержит спиральные и волновые формы рукописных изображений Паркинсона, относящиеся к двум классам, а именно PD и HEALTHY. 204 изображения, принадлежащие каждому из 2 классов. Затем данные разделяются на обучающий (70%) и действительный (30%) наборы и передаются в классификатор.

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ ИЗОБРАЖЕНИЯ. Чтобы обеспечить высокую степень распознавания изображения, предоставленного для обучения CNN, перед обучением необходима предварительная обработка изображения. Применяются два метода предварительной обработки.

1) MAX_LIGHTNING установлен на 0,25, что увеличивает яркость изображений.

2) FLIP_VERT, который ограничивает перевороты горизонтальными переворотами (если False) или горизонтальными и вертикальными переворотами, а также поворотами на 90 градусов (если True), установлен на True.

КОНВОЛЮЦИОННЫЕ НЕЙРОННЫЕ СЕТИ

Сверточная нейронная сеть (CNN) - это нейронная сеть, которая имеет один или несколько сверточных слоев и используется в основном для обработки изображений, классификации, сегментации, а также для других автокоррелированных данных. Свертка - это, по сути, скольжение фильтра по входу.

ДИЗАЙН МОДЕЛИ. Обучаются и сравниваются пять предварительно обученных моделей глубокого обучения на основе показателей, полученных в процессе проверки, и выбирается лучшая. Это модели RESNET-101, DENSENET-201, SQUEEZENET1_1, ALEXNET и VGG-19. Эти модели созданы с использованием сверточных нейронных сетей.

ОПТИМИЗАТОР И ФУНКЦИЯ ПОТЕРЬ: Adam используется в качестве оптимизатора, поскольку он сочетает в себе лучшие свойства алгоритмов AdaGrad и RMSProp для обеспечения алгоритма оптимизации, который может обрабатывать разреженные градиенты на зашумленных задачах. Крест - потеря энтропии, используемая в качестве функции потерь. Он измеряет относительную энтропию между двумя распределениями вероятностей для одного и того же набора событий.

ГИПЕР-ПАРАМЕТРЫ МОДЕЛИ: гиперпараметры, используемые в этой модели, - это скорость обучения и количество эпох. Количество эпох задано как 10 для всех моделей, но скорость обучения настраивается с помощью метода fastai find_lr. Средство поиска скорости обучения находит скорость обучения, обеспечивающую минимальные потери. Метод дискриминирующей скорости обучения используется для увеличения скорости обучения (в заданном интервале) по мере увеличения количества слоев. Это связано с уменьшением сложности вычислений по мере продвижения слоев.

ПОКАЗАТЕЛИ ОЦЕНКИ:

ЗАКЛЮЧЕНИЕ:

График метрики и матрицы недоразумений RESNET-101 показан ниже:

Сравнивая метрики всех моделей, RESNET-101 выбрана как лучшая модель. Если принять во внимание точность 98,3% в качестве фактора, определяющего производительность модели, она становится достаточно хорошей и надежной. Эта модель снижает человеческие усилия, затраты на сканирование, человеческие ошибки при диагностике и, что наиболее важно, время, затрачиваемое на все эти процессы, тем самым облегчая раннее обнаружение.