La maladie de Parkinson est une maladie neurodégénérative affectant environ 1% des personnes de plus de 60 ans, entraînant des troubles moteurs qui entravent les activités de coordination des mains telles que l'écriture et le dessin. De nombreuses approches ont tenté de soutenir la détection précoce de la maladie de Parkinson basée sur des images dessinées à la main, mais deux limitations majeures ont été identifiées : le manque de jeux de données suffisants et la robustesse lors du traitement des données de patients non vus. Cette étude propose une nouvelle approche de détection de la maladie de Parkinson en deux étapes : la première étape classe les dessins en fonction de leur type (cercle, méandre, spirale), et la deuxième étape extrait les caractéristiques nécessaires des images et détecte la maladie de Parkinson. Les auteurs ont surmonté les deux limitations précédentes en appliquant une stratégie de segmentation où chaque image est divisée en segments de 2x2. Chaque segment est traité séparément lors de l'extraction des caractéristiques et de la reconnaissance des indicateurs de la maladie de Parkinson. Pour la classification finale, une méthode d'ensemble est utilisée pour fusionner les décisions prises à partir de chaque segment. L'évaluation montre que l'approche proposée surpasse les approches de pointe, en particulier sur les patients non vus. Sur le jeu de données NewHandPD, leur approche a atteint une précision de 97,08% pour les patients vus et de 94,91% pour les patients non vus, maintenant un écart de seulement 2,17 points de pourcentage, comparé à la baisse de 4,76 points observée dans les travaux précédents.