Derin öğrenme modelleri ile parkinson hastalığının teşhisinde transfer öğrenme tekniğinin etkinliğinin araştırılması

Abstract

Parkinson hastalığı, hareketlerin kontrolünde ve koordinasyonunda rol oynayan dopamini üreten beyin hücrelerinin kaybı nedeniyle ortaya çıkan nörodejeneratif bir hastalıktır. Parkinson Hastalığının nedeni tam olarak bilinmediğinden bu hastalığın tanısına yönelik spesifik bir test de bulunmamaktadır. Ancak kas kontrolü kaybının neden olduğu, daha fazla izlenebilen ve analiz edilebilen semptomlar vardır. Ne yazık ki, bu tür analizlere yönelik prosedürlerin çoğu pahalıdır, verimsizdir ve zayıf doğruluk sağlarken gelişmiş ekipman gerektirir. Makine öğreniminin devreye girdiği yer burasıdır. Büyük verileri analiz etme ve insan gözlemcilerin göremeyeceği ince kalıpları tespit etme yeteneği, onu daha doğru Parkinson Hastalığı tanımlaması sağlayabilecek daha hızlı bir alternatif haline getiriyor. Bu çalışmada, Parkinson hastalığının en erken belirtilerinden biri olan el ve parmaklardaki titremelerin sapmalara neden olduğu el yazısı görüntüleri kullanılarak Parkinson Hastalığı tespiti yapılmaktadır. Bu amaçla transfer öğrenme uygulanarak derin öğrenme modelinden yararlanılmıştır. Deneyler için 37 Parkinson hastası ve 38 kontrol bireyine ait 8 farklı el yazısı örneğini içeren PaHaW veri seti kullanılmıştır. Derin öğrenme modellerinin yüksek veri gereksinimi nedeniyle, orijinal veri kümesine hem döndürme, çevirme ve konturlar gibi geleneksel veri artırma yöntemleri hem de Aşamalı Büyüyen Üretici Çekişmeli Ağ (PGAN) ile yeni veriler üretilmiştir. Üretilen bu verilerle yeni veri kombinleri oluşturulmuş ve bu sayede derin öğrenme modellerinin performansı önemli ölçüde artırılmıştır. ImageNet ve MNIST veri setleri ile önceden eğitilen probleme AlexNet, EfficientNet-B0, GoogleNet ve ResNet50 modellerinin uyarlanması ve transfer öğrenmenin uygulanmasıyla hem PaHaW verileri hem geleneksel yöntemlerle üretilen veriler hem de PGAN ile üretilen verilerin kombini kullanılarak %98,97 doğrulukla en iyi sonuç elde edilmiştir. Parkinson's disease is a neurodegenerative disease that occurs due to the loss of brain cells that produce dopamine, which plays a role in the control and coordination of movements. Since the cause of Parkinson's Disease is not fully known, there is no specific test for the diagnosis of this disease. However, there are symptoms caused by loss of muscle control that can be further monitored and analyzed. Unfortunately, most procedures for such analysis are expensive, inefficient, and require advanced equipment while providing poor accuracy. This is where machine learning comes into play. Its ability to analyze big data and detect subtle patterns invisible to human observers makes it a faster alternative that can provide more accurate Parkinson's Disease identification. In this study, Parkinson's Disease is detected using handwriting images where tremors in the hands and fingers cause deviations, which is one of the earliest symptoms of Parkinson's disease. For this purpose, deep learning model was used by applying transfer learning. The PaHaW dataset, which includes 8 different handwriting samples from 37 Parkinson's patients and 38 control individuals, was used for the experiments. Due to the high data requirement of deep learning models, new data was generated by applying both traditional data augmentation methods such as rotation, translation and contours, and Progressive Growing of Generative Adversarial Network (PGAN) to the original dataset. With this data, new data combinations were created and thus the performances of deep learning models were significantly increased. By adapting AlexNet, EfficientNet-B0, GoogleNet and ResNet50 models to the problem pre-trained with ImageNet and MNIST datasets and applying transfer learning, the best result with 98,97% accuracy was obtained by using a combination of both PaHaW data, data produced by traditional methods and data produced by PGAN.