Fugu-MT 論文翻訳(概要): A Hybrid Deep Learning and Model-Checking Framework for Accurate Brain Tumor Detection and Validation

論文の概要: A Hybrid Deep Learning and Model-Checking Framework for Accurate Brain Tumor Detection and Validation

arxiv url: http://arxiv.org/abs/2501.01991v1
Date: Tue, 31 Dec 2024 08:09:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-07 17:09:05.378367
Title: A Hybrid Deep Learning and Model-Checking Framework for Accurate Brain Tumor Detection and Validation
Title（参考訳）: 高精度脳腫瘍検出・検証のためのハイブリッドディープラーニングとモデルチェッキングフレームワーク
Authors: Lahcen El Fatimi, Elhoucine Elfatimi, Hanifa Bouchaneb,
Abstract要約: 本稿では,脳腫瘍検出と画像診断のためのモデルチェックとディープラーニングを統合した新しいハイブリッドフレームワークを提案する。実験結果はフレームワークの有効性を強調し、98%の精度、96.15%の精度、100%のリコールを達成した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Model checking, a formal verification technique, ensures systems meet predefined requirements, playing a crucial role in minimizing errors and enhancing quality during development. This paper introduces a novel hybrid framework integrating model checking with deep learning for brain tumor detection and validation in medical imaging. By combining model-checking principles with CNN-based feature extraction and K-FCM clustering for segmentation, the proposed approach enhances the reliability of tumor detection and segmentation. Experimental results highlight the framework's effectiveness, achieving 98\% accuracy, 96.15\% precision, and 100\% recall, demonstrating its potential as a robust tool for advanced medical image analysis.
Abstract（参考訳）: 形式的な検証手法であるモデルチェックは、システムが事前定義された要件を満たすことを保証し、エラーを最小限に抑え、開発中の品質を高める上で重要な役割を果たす。本稿では,脳腫瘍検出と画像診断のためのモデルチェックとディープラーニングを統合した新しいハイブリッドフレームワークを提案する。モデル検査の原理とCNNに基づく特徴抽出とセグメント化のためのK-FCMクラスタリングを組み合わせることで,腫瘍検出とセグメント化の信頼性を高めることができる。実験の結果、フレームワークの有効性を強調し、精度98\%、精度96.15\%、リコール100\%を達成し、高度な医用画像解析のための堅牢なツールとしての可能性を示している。

関連論文リスト

Hybrid Deep Learning Framework for Classification of Kidney CT Images: Diagnosis of Stones, Cysts, and Tumors [1.3749490831384266]
本研究では,プレトレーニングされたResNet101とカスタムCNNを統合して腎臓CT画像の分類を行うハイブリッドディープラーニングモデルを提案する。 12,446枚のCT画像と高度な特徴マッピング技術のデータセットを使用して、ハイブリッドCNNモデルはスタンドアロンのResNet101より優れています。
論文参考訳（メタデータ） (2025-02-05T08:38:35Z)
CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文参考訳（メタデータ） (2024-07-18T01:42:00Z)
Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation [10.466349398419846]
本稿では,脳腫瘍進展部分微分方程式(PDE)モデルをディープラーニングを用いた正規化として設計する手法を提案する。本手法では,特にデータ共有シナリオにおいて,腫瘍増殖PDEモデルをセグメント化プロセスに直接導入し,精度とロバスト性を向上させる。我々は、BraTS 2023データセットの広範な実験を通じて、我々のフレームワークの有効性を実証する。
論文参考訳（メタデータ） (2024-03-14T07:21:46Z)
Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文参考訳（メタデータ） (2024-03-09T13:48:20Z)
Integrating Preprocessing Methods and Convolutional Neural Networks for Effective Tumor Detection in Medical Imaging [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
論文参考訳（メタデータ） (2024-02-25T23:49:05Z)
Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文参考訳（メタデータ） (2023-08-14T15:29:32Z)
Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文参考訳（メタデータ） (2023-05-18T06:54:56Z)
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)
SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-22T06:54:29Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。