論文の概要: Deep Fusion Model for Brain Tumor Classification Using Fine-Grained Gradient Preservation
- arxiv url: http://arxiv.org/abs/2406.19690v1
- Date: Fri, 28 Jun 2024 07:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 17:39:39.575323
- Title: Deep Fusion Model for Brain Tumor Classification Using Fine-Grained Gradient Preservation
- Title（参考訳）: 微細結晶粒度保存を用いた脳腫瘍分類のための深部核融合モデル
- Authors: Niful Islam, Mohaiminul Islam Bhuiyan, Jarin Tasnim Raya, Nur Shazwani Kamarudin, Khan Md Hasib, M. F. Mridha, Dewan Md. Farid,
- Abstract要約: この研究は、事前訓練されたResNet152V2と修正VGG16モデルを融合した、正確な脳腫瘍分類のための新しいアーキテクチャを提案する。
提案手法は,画像品質向上のために様々な画像処理技術を導入し,FigshareデータセットとKaggleデータセットでそれぞれ98.36%,98.04%の精度を実現している。
- 参考スコア（独自算出の注目度）: 0.0807707808613597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain tumors are one of the most common diseases that lead to early death if not diagnosed at an early stage. Traditional diagnostic approaches are extremely time-consuming and prone to errors. In this context, computer vision-based approaches have emerged as an effective tool for accurate brain tumor classification. While some of the existing solutions demonstrate noteworthy accuracy, the models become infeasible to deploy in areas where computational resources are limited. This research addresses the need for accurate and fast classification of brain tumors with a priority of deploying the model in technologically underdeveloped regions. The research presents a novel architecture for precise brain tumor classification fusing pretrained ResNet152V2 and modified VGG16 models. The proposed architecture undergoes a diligent fine-tuning process that ensures fine gradients are preserved in deep neural networks, which are essential for effective brain tumor classification. The proposed solution incorporates various image processing techniques to improve image quality and achieves an astounding accuracy of 98.36% and 98.04% in Figshare and Kaggle datasets respectively. This architecture stands out for having a streamlined profile, with only 2.8 million trainable parameters. We have leveraged 8-bit quantization to produce a model of size 73.881 MB, significantly reducing it from the previous size of 289.45 MB, ensuring smooth deployment in edge devices even in resource-constrained areas. Additionally, the use of Grad-CAM improves the interpretability of the model, offering insightful information regarding its decision-making process. Owing to its high discriminative ability, this model can be a reliable option for accurate brain tumor classification.
- Abstract（参考訳）: 脳腫瘍は、早期に診断されない場合、早期死亡につながる最も一般的な疾患の1つである。
従来の診断アプローチは非常に時間がかかり、エラーを起こしやすい。
この文脈において、コンピュータビジョンに基づくアプローチは、正確な脳腫瘍分類のための有効なツールとして現れてきた。
既存のソリューションの中には、注目すべき精度を示すものもあるが、計算資源が限られている領域では、モデルをデプロイすることができない。
本研究は,脳腫瘍の高精度かつ迅速な分類の必要性に対処するものである。
この研究は、事前訓練されたResNet152V2と修正VGG16モデルを融合した、正確な脳腫瘍分類のための新しいアーキテクチャを提案する。
提案したアーキテクチャは、脳腫瘍の効果的な分類に不可欠なディープニューラルネットワークに微細勾配が保存されることを保証する、厳密な微調整プロセスを実行する。
提案手法は,画像品質向上のために様々な画像処理技術を導入し,FigshareデータセットとKaggleデータセットでそれぞれ98.36%,98.04%の精度を実現している。
このアーキテクチャは、トレーニング可能なパラメータはわずか280万である。
我々は8ビット量子化を利用して73.881 MBのモデルを作成し、289.45 MBの以前のサイズから大幅に削減し、資源制約のある領域でもエッジデバイスへのスムーズな展開を確実にした。
さらに、Grad-CAMの使用はモデルの解釈可能性を改善し、意思決定プロセスに関する洞察力のある情報を提供する。
高い判別能力のため、このモデルは正確な脳腫瘍分類のための信頼できる選択肢となりうる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。
様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。
本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:46:26Z) - 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) - An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
脳腫瘍の不正確な同定は、寿命を著しく低下させる。
本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。
Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
論文 参考訳（メタデータ） (2023-05-22T09:08:59Z) - 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) - An Improved Deep Convolutional Neural Network by Using Hybrid
Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented
MRI Images [0.9990687944474739]
本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。
提案手法の性能を2073個のMRI画像で検証する実験を行った。
性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
論文 参考訳（メタデータ） (2022-06-08T14:29:06Z) - 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) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z)
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。