論文の概要: Fibonacci-Net: A Lightweight CNN model for Automatic Brain Tumor Classification

• arxiv url: http://arxiv.org/abs/2503.13928v1
• Date: Tue, 18 Mar 2025 05:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:48.161040
• Title: Fibonacci-Net: A Lightweight CNN model for Automatic Brain Tumor Classification
• Title（参考訳）: Fibonacci-Net:脳腫瘍の自動分類のための軽量CNNモデル
• Authors: Santanu Roy, Ashvath Suresh, Archit Gupta, Shubhi Tiwari, Palak Sahu, Prashant Adhikari, Yuvraj S. Shekhawat,
• Abstract要約: 本研究では,MRIデータセットからの脳腫瘍の自動分類のための,非常に軽量なモデル"Fibonacci-Net"と,新しいプール技術を提案する。 実験の結果、提案されたFibonacci-Netを使用した結果、96.2%の精度、97.17%の精度、95.9%のリコール、96.5%のF1スコア、そして最も困難な44クラスのMRIデータセットの99.9%の特異性を達成した。
• 参考スコア（独自算出の注目度）: 1.5705429611931057
• License:
• Abstract: This research proposes a very lightweight model "Fibonacci-Net" along with a novel pooling technique, for automatic brain tumor classification from imbalanced Magnetic Resonance Imaging (MRI) datasets. Automatic brain tumor detection from MRI dataset has garnered significant attention in the research community, since the inception of Convolutional Neural Network (CNN) models. However, the performance of conventional CNN models is hindered due to class imbalance problems. The novelties of this work are as follows: (I) A lightweight CNN model is proposed in which the number of filters in different convolutional layers is chosen according to the numbers of Fibonacci series. (II) In the last two blocks of the proposed model, depth-wise separable convolution (DWSC) layers are employed to considerably reduce the computational complexity of the model. (III) Two parallel concatenations (or, skip connections) are deployed from 2nd to 4th, and 3rd to 5th convolutional block in the proposed Fibonacci-Net. This skip connection encompasses a novel Average-2Max pooling layer that produces two stacks of convoluted output, having a bit different statistics. Therefore, this parallel concatenation block works as an efficient feature augmenter inside the model, thus, automatically alleviating the class imbalance problem to a certain extent. For validity purpose, we have implemented the proposed framework on three MRI datasets which are highly class-imbalanced. (a) The first dataset has four classes, i.e., glioma tumor, meningioma tumor, pituitary tumor, and no-tumor. (b) Second and third MRI datasets have 15 and 44 classes respectively. Experimental results reveal that, after employing the proposed Fibonacci-Net we have achieved 96.2% accuracy, 97.17% precision, 95.9% recall, 96.5% F1 score, and 99.9% specificity on the most challenging ``44-classes MRI dataset''.
• Abstract（参考訳）: 本研究では,非平衡磁気共鳴画像(MRI)データセットから脳腫瘍を自動分類するための,新しいサンプリング手法とともに,非常に軽量なモデル"Fibonacci-Net"を提案する。 MRIデータセットからの自動脳腫瘍検出は、畳み込みニューラルネットワーク(CNN)モデルの導入以来、研究コミュニティで注目されている。 しかし、従来のCNNモデルの性能は、クラス不均衡の問題により妨げられている。 I)フィボナッチ級数に応じて異なる畳み込み層のフィルタ数を選択する軽量CNNモデルを提案する。 (II) 提案モデルの最後の2ブロックでは,DWSC(Deep-wise Separable Convolution)層を用いて計算複雑性を大幅に低減する。 (III) 2つの並列接続(またはスキップ接続)は、提案されたFibonacci-Netにおいて、第2から第4、第3から第5の畳み込みブロックとして展開される。 このスキップ接続は、2つの複雑な出力のスタックを生成するAverage-2Maxプール層を含み、統計は若干異なる。 したがって、この並列連結ブロックはモデル内の効率的な特徴増強器として機能し、クラス不均衡問題をある程度自動的に緩和する。 提案手法は, 3つのMRIデータセットに対して, 高いクラス不均衡性を有するフレームワークを実装した。 (a)第1データセットは、グリオーマ腫瘍、髄膜腫、下垂体腫瘍、非腫瘍の4つのクラスを有する。 b)第2と第3のMRIデータセットはそれぞれ15と44のクラスを持つ。 実験の結果、提案されたFibonacci-Netを使用した結果、96.2%の精度、97.17%の精度、95.9%のリコール、96.5%のF1スコア、99.9%の特定性を達成した。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• 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)
• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
  本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。 提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
  論文  参考訳（メタデータ） (2022-04-21T06:36:10Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• A Computation-Efficient CNN System for High-Quality Brain Tumor Segmentation [1.2183405753834562]
  本稿では,脳腫瘍のセグメンテーションのための信頼性の高い畳み込みニューラルネットワーク(CNN)を提案する。 ユニークなCNNは、たった108のカーネルと20308のトレーニング可能なパラメータを含む7つの畳み込み層で構成されている。 その結果,再学習後にほぼ同じ出力をほぼ確実に同じ入力に再現できることが判明した。
  論文  参考訳（メタデータ） (2020-07-22T02:45:54Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)
• A Hybrid 3DCNN and 3DC-LSTM based model for 4D Spatio-temporal fMRI data: An ABIDE Autism Classification study [0.0]
  本稿では,3次元CNNと3次元磁気LSTMを用いて,全4次元データから特徴を抽出できるエンドツーエンドアルゴリズムを提案する。 提案手法は,NYUサイトとUMサイトにおいて,F1スコア0.78,0.7の単一サイトにおいて,技術結果の状態を達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-14T11:52:00Z)

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。