Fugu-MT 論文翻訳(概要): Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images

論文の概要: Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images

arxiv url: http://arxiv.org/abs/2310.13108v1
Date: Thu, 19 Oct 2023 19:13:04 GMT
ステータス: 処理完了
システム内更新日: 2023-10-24 01:38:13.824800
Title: Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images
Title（参考訳）: MRI画像における局所脳腫瘍分類とカスタムトランスファー学習
Authors: Javed Hossain, Md. Touhidul Islam, Md. Taufiqul Haque Khan Tusar
Abstract要約: 脳腫瘍はますます広まり、脳内の異常な組織が制御不能に広がるのが特徴である。本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。
参考スコア（独自算出の注目度）: 1.534667887016089
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Brain tumors are increasingly prevalent, characterized by the uncontrolled spread of aberrant tissues in the brain, with almost 700,000 new cases diagnosed globally each year. Magnetic Resonance Imaging (MRI) is commonly used for the diagnosis of brain tumors and accurate classification is a critical clinical procedure. In this study, we propose an efficient solution for classifying brain tumors from MRI images using custom transfer learning networks. While several researchers have employed various pre-trained architectures such as RESNET-50, ALEXNET, VGG-16, and VGG-19, these methods often suffer from high computational complexity. To address this issue, we present a custom and lightweight model using a Convolutional Neural Network-based pre-trained architecture with reduced complexity. Specifically, we employ the VGG-19 architecture with additional hidden layers, which reduces the complexity of the base architecture but improves computational efficiency. The objective is to achieve high classification accuracy using a novel approach. Finally, the result demonstrates a classification accuracy of 96.42%.
Abstract（参考訳）: 脳腫瘍はますます流行し、脳内の異常な組織が制御されていないことが特徴で、毎年70,000件の新しい症例が世界中で診断されている。磁気共鳴イメージング(MRI)は脳腫瘍の診断に一般的に用いられ、正確な分類は臨床的に重要な方法である。本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。いくつかの研究者は、RESNET-50、ALEXNET、VGG-16、VGG-19といった事前訓練済みのアーキテクチャを使用しているが、これらの手法は高い計算複雑性に悩まされることが多い。この問題に対処するために,複雑度を低減した畳み込みニューラルネットワークによる事前学習アーキテクチャを用いたカスタムモデルと軽量モデルを提案する。具体的には,VGG-19アーキテクチャに隠蔽層を追加し,基本アーキテクチャの複雑さを低減し,計算効率を向上する。目的は,新しい手法を用いて高い分類精度を達成することである。最後に、結果は96.42%の分類精度を示す。

関連論文リスト

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)
An Integrated Deep Learning Framework for Effective Brain Tumor Localization, Segmentation, and Classification from Magnetic Resonance Images [0.0]
脳内の腫瘍は、様々な種類の脳細胞から生じる脳組織内の異常な細胞増殖によって生じる。本研究は,MRI画像からのグリオーマの局在,セグメンテーション,分類のためのDLフレームワークを提案する。提案モデルでは,早期診断を可能とし,患者に対してより正確な治療オプションを提供することで,医療用AIの進歩を期待できる結果が得られた。
論文参考訳（メタデータ） (2024-09-25T18:38:57Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation [0.0]
脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
論文参考訳（メタデータ） (2023-07-16T14:06:45Z)
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文参考訳（メタデータ） (2022-09-22T04:17:57Z)
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)
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)
Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文参考訳（メタデータ） (2021-06-14T12:19:27Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Brain Tumor Classification Using Deep Learning Technique -- A Comparison between Cropped, Uncropped, and Segmented Lesion Images with Different Sizes [0.0]
畳み込みニューラルネットワーク(CNN)は、3064 T1重み付きコントラスト強調脳MR画像のデータセットを分類するための最も広く使われているディープラーニングアーキテクチャの1つである。提案したCNN分類器は強力なツールであり、その全体的な性能は98.93%の精度と98.18%の感度である。
論文参考訳（メタデータ） (2020-01-23T23:05:19Z)

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。