論文の概要: Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning

• arxiv url: http://arxiv.org/abs/2410.21872v1
• Date: Tue, 29 Oct 2024 09:08:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:42:07.887993
• Title: Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning
• Title（参考訳）: 高能率脳腫瘍多型分類の高度化 --トランスファーラーニングにおける視覚マンバモデルからの新しい考察
• Authors: Yinyi Lai, Anbo Cao, Yuan Gao, Jiaqi Shang, Zongyu Li, Jia Guo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.20962008262757
• License:
• Abstract: Early and accurate diagnosis of brain tumors is crucial for improving patient survival rates. However, the detection and classification of brain tumors are challenging due to their diverse types and complex morphological characteristics. This study investigates the application of pre-trained models for brain tumor classification, with a particular focus on deploying the Mamba model. We fine-tuned several mainstream transfer learning models and applied them to the multi-class classification of brain tumors. By comparing these models to those trained from scratch, we demonstrated the significant advantages of transfer learning, especially in the medical imaging field, where annotated data is often limited. Notably, we introduced the Vision Mamba (Vim), a novel network architecture, and applied it for the first time in brain tumor classification, achieving exceptional classification accuracy. Experimental results indicate that the Vim model achieved 100% classification accuracy on an independent test set, emphasizing its potential for tumor classification tasks. These findings underscore the effectiveness of transfer learning in brain tumor classification and reveal that, compared to existing state-of-the-art models, the Vim model is lightweight, efficient, and highly accurate, offering a new perspective for clinical applications. Furthermore, the framework proposed in this study for brain tumor classification, based on transfer learning and the Vision Mamba model, is broadly applicable to other medical imaging classification problems.
• Abstract（参考訳）: 脳腫瘍の早期かつ正確な診断は、患者の生存率を向上させるために重要である。 しかし、脳腫瘍の検出と分類は、その多様性と複雑な形態的特徴のために困難である。 本研究は,脳腫瘍分類における事前訓練モデルの適用について検討し,特にMambaモデルの導入に焦点をあてた。 そこで我々は,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。 これらのモデルとスクラッチからトレーニングしたモデルを比較することで、特に注釈付きデータが制限される医療画像領域において、トランスファーラーニングの顕著な利点を実証した。 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、脳腫瘍の分類において初めて適用し、例外的な分類精度を実現した。 実験結果から,Vimモデルが独立したテストセット上で100%の分類精度を達成し,腫瘍分類タスクの可能性を強調した。 これらの結果は、脳腫瘍分類における転写学習の有効性を明らかにし、既存の最先端モデルと比較して、Vimモデルは軽量で効率的で高精度であり、臨床応用の新しい視点を提供することを明らかにした。 さらに,移動学習とビジョン・マンバモデルに基づく脳腫瘍分類のための枠組みは,他の医用画像分類問題にも広く適用可能である。

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)
• Machine learning approach to brain tumor detection and classification [11.108853789803597]
  脳MRI画像を用いて脳腫瘍を検出し分類するために,様々な統計的および機械学習モデルを適用した。 以上の結果から,CNNは他のモデルよりも優れており,最高の性能を実現していることがわかった。 本研究では、機械学習アプローチが脳腫瘍の検出と分類に適していることを示し、現実の医療応用を促進する。
  論文  参考訳（メタデータ） (2024-10-16T15:52:32Z)
• Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer Learning and Imbalance Handling in Deep Learning Models [0.0]
  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。
  論文  参考訳（メタデータ） (2023-08-13T17:30:32Z)
• 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)
• Multi-Classification of Brain Tumor Images Using Transfer Learning Based Deep Neural Network [0.5893124686141781]
  本稿では,脳腫瘍画像の分類精度を伝達学習に基づくディープニューラルネットワークを用いて高めることに焦点を当てた。 提案モデルでは,既存の複数分類法に比べて精度が96.25%向上した。
  論文  参考訳（メタデータ） (2022-06-17T04:30:40Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• 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)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。