論文の概要: Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer
Learning and Imbalance Handling in Deep Learning Models
- arxiv url: http://arxiv.org/abs/2308.06821v1
- Date: Sun, 13 Aug 2023 17:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 15:04:14.894583
- Title: Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer
Learning and Imbalance Handling in Deep Learning Models
- Title（参考訳）: 脳腫瘍分類の最適化:深層学習モデルにおける伝達学習と不均衡処理の包括的研究
- Authors: Raza Imam, Mohammed Talha Alam
- Abstract要約: MRIデータを用いた脳腫瘍分類のための新しい深層学習手法であるTransfer Learning-CNNを提案する。
公開のBrain MRIデータセットを活用することで、実験はさまざまな腫瘍タイプを分類するための様々な転写学習モデルを評価した。
VGG-16とCNNを組み合わせた提案手法は,96%の精度で,代替手法をはるかに上回った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has emerged as a prominent field in recent literature,
showcasing the introduction of models that utilize transfer learning to achieve
remarkable accuracies in the classification of brain tumor MRI images. However,
the majority of these proposals primarily focus on balanced datasets,
neglecting the inherent data imbalance present in real-world scenarios.
Consequently, there is a pressing need for approaches that not only address the
data imbalance but also prioritize precise classification of brain cancer. In
this work, we present a novel deep learning-based approach, called Transfer
Learning-CNN, for brain tumor classification using MRI data. The proposed model
leverages the predictive capabilities of existing publicly available models by
utilizing their pre-trained weights and transferring those weights to the CNN.
By leveraging a publicly available Brain MRI dataset, the experiment evaluated
various transfer learning models for classifying different tumor types,
including meningioma, glioma, and pituitary tumors. We investigate the impact
of different loss functions, including focal loss, and oversampling methods,
such as SMOTE and ADASYN, in addressing the data imbalance issue. Notably, the
proposed strategy, which combines VGG-16 and CNN, achieved an impressive
accuracy rate of 96%, surpassing alternative approaches significantly.
- Abstract（参考訳）: 深層学習は近年の文献において顕著な分野として現れており、脳腫瘍MRI画像の分類における顕著な精度を達成するためにトランスファーラーニングを利用するモデルの導入を示している。
しかしながら、これらの提案の大部分は、実際のシナリオに存在する固有のデータ不均衡を無視して、バランスの取れたデータセットに重点を置いている。
その結果、データ不均衡に対処するだけでなく、脳がんの正確な分類を優先するアプローチの必要性が高まっている。
本研究では,MRIデータを用いた脳腫瘍分類のための新しい深層学習手法であるTransfer Learning-CNNを提案する。
提案モデルでは,事前学習した重みをCNNに転送することで,既存の公開モデルの予測能力を活用する。
脳mriデータセットを利用して、髄膜腫、グリオーマ、下垂体腫瘍など、さまざまな腫瘍を分類するための様々なトランスファー学習モデルを評価した。
データ不均衡問題に対処するために,焦点損失やスモートやアダシンなどのオーバーサンプリングといった異なる損失関数の影響について検討する。
特に、vgg-16とcnnを組み合わせた提案手法は96%という印象的な精度を達成し、代替手法を大きく上回った。
関連論文リスト
- Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。
本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。
我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
論文 参考訳（メタデータ） (2024-10-31T07:28:06Z) - Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning [18.20962008262757]
本研究は,脳腫瘍分類における事前学習モデルの応用について検討した。
我々は,脳腫瘍のマルチクラス分類にいくつかの主流転写学習モデルを微調整し,応用した。
特に,新しいネットワークアーキテクチャであるVision Mamba(Vim)を導入し,脳腫瘍の分類に初めて適用した。
論文 参考訳（メタデータ） (2024-10-29T09:08:57Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Anatomical Foundation Models for Brain MRIs [6.993491018326816]
AnatCLは、弱い対照的な学習アプローチで解剖情報を活用する脳MRIのための解剖基盤モデルである。
アプローチを検証するために,診断分類のための12の下流タスクと10の異なる臨床評価スコアの予測について検討した。
論文 参考訳（メタデータ） (2024-08-07T14:04:50Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Brain Tumor Detection and Classification Using a New Evolutionary
Convolutional Neural Network [18.497065020090062]
この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。
深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
論文 参考訳（メタデータ） (2022-04-26T13:20:42Z) - A Novel Framework for Brain Tumor Detection Based on Convolutional
Variational Generative Models [6.726255259929498]
本稿では,脳腫瘍の検出と分類のための新しい枠組みを提案する。
提案フレームワークは、全体的な検出精度96.88%を取得する。
提案されたフレームワークは,脳腫瘍の正確な検出システムとして期待されている。
論文 参考訳（メタデータ） (2022-02-20T16:14:01Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。