Combining Convolutional Neural Network (CNN) and Grad-CAM for Parkinson’s Disease Prediction and Visual Explanation | ||
| Engineering Management and Soft Computing | ||
| دوره 10، شماره 1 - شماره پیاپی 18، آبان 2024، صفحه 1-13 اصل مقاله (1.06 M) | ||
| نوع مقاله: Original Article | ||
| شناسه دیجیتال (DOI): 10.22091/jemsc.2024.10828.1180 | ||
| نویسندگان | ||
| Reyhaneh Dehghan؛ Marjan Naderan* ؛ Seyed Enayatallah Alavi | ||
| Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| چکیده | ||
| 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. | ||
| کلیدواژهها | ||
| Parkinson's disease (PD)؛ Convolutional Neural Network (CNN)؛ SPECT images؛ data augmentation؛ Grad-CAM | ||
| عنوان مقاله [English] | ||
| ترکیب شبکه عصبی کانولوشن (CNN) و Grad-CAM برای پیش بینی و تفسیر پذیری بصری بیماری پارکینسون | ||
| نویسندگان [English] | ||
| ریحانه دهقان؛ مرجان نادران؛ سیدعنایت اله علوی | ||
| گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژهها [English] | ||
| بیماری پارکینسون, شبکه عصبی کانولوشن, تصاویرSPECT, افزایش داده, Grad-CAM | ||
| مراجع | ||
|
Appineni, A. and Gupta, A. (2023). Preemptive Diagnosis of Parkinson's Disease through DaT Scans using InceptionV3-based Convolutional Neural Networks. https://doi.org/10.20944/preprints202312.2268.v1
Faull, R. and Laverty, R. (1969). Changes in dopamine levels in the corpus striatum following lesions in the substantia nigra. Experimental neurology, 23(3): p. 332-340. https://doi.org/10.1016/0014-4886(69)90081-8
Poewe, W., et al., (2017). Parkinson disease. Nature reviews Disease primers, 3(1): p. 1-21. https://doi.org/10.1038/nrdp.2017.13
Wang, W., et al., (2020). Early detection of Parkinson’s disease using deep learning and machine learning. IEEE Access, 8: p. 147635-147646. https://doi.org/10.1038/nrdp.2017.13
Wile, D.J., et al., (2017). Serotonin transporter binding and motor onset of Parkinson's disease in asymptomatic LRRK2 mutation carriers: a cross-sectional study. The Lancet. Neurology, 16(5): p. 351. https://doi.org/10.1016/S1474-4422(17)30056-X
Marek, K., et al., (1996). [sup 123 I] beta-CIT/SPECT imaging demonstrates bilateral loss of dopamine transporters in hemi-Parkinson's disease. Neurology, 46(1): p. 231-237. https://doi.org/10.1212/WNL.46.1.231
Mohammed, F., He, X. and Lin, Y. (2021). Retracted: An easy-to-use deep-learning model for highly accurate diagnosis of Parkinson's disease using SPECT images. Computerized Medical Imaging and Graphics. https://doi:10.1016/j.compmedimag.2020.101810
Govindu, A. and Palwe, S. (2023). Early detection of Parkinson's disease using machine learning. Procedia Computer Science, 218: p. 249-261. https://doi.org/10.1016/j.procs.2023.01.007
Tuncer, T., Dogan, S. and Acharya, U.R. (2020). Automated detection of Parkinson's disease using minimum average maximum tree and singular value decomposition method with vowels. Biocybernetics and Biomedical Engineering, 40(1): p. 211-220. https://doi.org/10.1016/j.bbe.2019.05.006
Magesh, P.R., Myloth, R.D. and Tom, R.J. (2020). An explainable machine learning model for early detection of Parkinson's disease using LIME on DaTSCAN imagery. Computers in Biology and Medicine, 126: p. 104041. https://doi.org/10.1016/j.compbiomed.2020.104041
Hathaliya, J., et al., (2022). Convolutional neural network-based Parkinson disease classification using SPECT imaging data. Mathematics, 10(15): p. 2566. https://doi.org/10.3390/math1015256
Marek, K., et al., (2011). The Parkinson progression marker initiative (PPMI). Progress in neurobiology, 95(4): p. 629-635. https://10.1016/j.pneurobio.2011.09.005
Martinez-Murcia, F.J., et al., (2018). Convolutional neural networks for neuroimaging in Parkinson’s disease: Is preprocessing needed?, International journal of neural systems, 28(10): p. 1850035. https://doi.org/10.1142/S0129065718500351
Mash, R., Borghetti, B. and Pecarina, J. (2016). Improved aircraft recognition for aerial refueling through data augmentation in convolutional neural networks. in Advances in Visual Computing: 12th International Symposium, ISVC 2016, Las Vegas, NV, USA, December 12-14, Proceedings, Part I 12. 2016. Springer. https://doi.org/10.1007/978-3-319-50835-1_11
Dehghan, R., Naderan, M. and Alavi, S.E. (2022). Detection of Parkinso’s disease using Convolutional Neural Networks and Data Augmentation with SPECT images. in 2022 12th International Conference on Computer and Knowledge Engineering (ICCKE). IEEE. 17-18 Nov., Mashhad, Iran. https://doi.org/10.1109/ICCKE57176.2022.9960085
Zhou, B., et al. (2016). Learning deep features for discriminative localization. in Proceedings of the IEEE conference on computer vision and pattern recognition. https://doi.org/10.1109/CVPR.2016.319
Selvaraju, R.R., et al. (2017). Grad-cam: Visual explanations from deep networks via gradient-based localization. in Proceedings of the IEEE international conference on computer vision. 22-29 October, Venice, Italy. https://doi.org/10.1109/ICCV.2017.74
Krstinić, D., et al., (2020). Multi-label classifier performance evaluation with confusion matrix. Computer Science & Information Technology, 1: p. 1-14. https://10.5121/csit.2020.100801
| ||
|
آمار تعداد مشاهده مقاله: 727 تعداد دریافت فایل اصل مقاله: 615 |
||