論文の概要: Transfer Learning and Explainable AI for Brain Tumor Classification: A Study Using MRI Data from Bangladesh

• arxiv url: http://arxiv.org/abs/2506.07228v1
• Date: Sun, 08 Jun 2025 17:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.720485
• Title: Transfer Learning and Explainable AI for Brain Tumor Classification: A Study Using MRI Data from Bangladesh
• Title（参考訳）: 脳腫瘍分類のためのトランスファーラーニングと説明可能なAI:バングラデシュのMRIデータを用いた検討
• Authors: Shuvashis Sarker,
• Abstract要約: 手動MRI解析は困難で不正確であり、迅速な診断には非効率である。 本研究は,バングラデシュの多くの病院から取得したMRIデータを利用した脳腫瘍自動分類システムの構築により,これらの課題に対処することを試みた。 VGG16、VGG19、ResNet50を含む高度なディープラーニングモデルは、グリオーマ、髄膜腫、および様々な脳がんの分類に使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain tumors, regardless of being benign or malignant, pose considerable health risks, with malignant tumors being more perilous due to their swift and uncontrolled proliferation, resulting in malignancy. Timely identification is crucial for enhancing patient outcomes, particularly in nations such as Bangladesh, where healthcare infrastructure is constrained. Manual MRI analysis is arduous and susceptible to inaccuracies, rendering it inefficient for prompt diagnosis. This research sought to tackle these problems by creating an automated brain tumor classification system utilizing MRI data obtained from many hospitals in Bangladesh. Advanced deep learning models, including VGG16, VGG19, and ResNet50, were utilized to classify glioma, meningioma, and various brain cancers. Explainable AI (XAI) methodologies, such as Grad-CAM and Grad-CAM++, were employed to improve model interpretability by emphasizing the critical areas in MRI scans that influenced the categorization. VGG16 achieved the most accuracy, attaining 99.17%. The integration of XAI enhanced the system's transparency and stability, rendering it more appropriate for clinical application in resource-limited environments such as Bangladesh. This study highlights the capability of deep learning models, in conjunction with explainable artificial intelligence (XAI), to enhance brain tumor detection and identification in areas with restricted access to advanced medical technologies.
• Abstract（参考訳）: 脳腫瘍は良性でも悪性でもかなり健康上のリスクがあり、悪性腫瘍は急速に増殖し、制御不能な増殖のため、悪性度が高くなり、悪性度が低下する。 タイムリーな識別は、特に医療インフラが制限されているバングラデシュなどの国々において、患者の成果を高めるために不可欠である。 手動MRI解析は困難で不正確であり、迅速な診断には非効率である。 本研究は,バングラデシュの多くの病院から取得したMRIデータを利用した脳腫瘍自動分類システムの構築により,これらの課題に対処することを試みた。 VGG16、VGG19、ResNet50を含む高度なディープラーニングモデルは、グリオーマ、髄膜腫、および様々な脳がんの分類に使用された。 Grad-CAMやGrad-CAM++のような説明可能なAI(XAI)手法は、分類に影響を及ぼすMRIスキャンの臨界領域を強調することによって、モデルの解釈性を改善するために用いられた。 VGG16が最も精度が高く、99.17%に達した。 XAIの統合によりシステムの透明性と安定性が向上し、バングラデシュなどの資源に制限された環境での臨床応用がより適切になった。 本研究は、先進的な医療技術へのアクセスが制限された領域における脳腫瘍の検出と同定を強化するための、説明可能な人工知能(XAI)とともに、ディープラーニングモデルの能力を強調した。

関連論文リスト

• From Images to Insights: Transforming Brain Cancer Diagnosis with Explainable AI [1.939732664561742]
  本研究はバングラデシュの脳腫瘍MRIデータセットを,脳腫瘍,脳グリオーマ,脳髄質の3つのカテゴリに分類した6,056個のMRI画像を含む。 DenseNet169は、精度、精度、リコール、F1-Scoreは全て0.9983に達した。
  論文  参考訳（メタデータ） (2025-01-09T18:35:43Z)
• SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification [3.8233569758620063]
  脳腫瘍の早期発見は、タイムリーな治療には不可欠であるが、遠隔地では診断施設へのアクセスが制限されている。 本研究では,MRIデータを用いた脳腫瘍の自動検出と分類のためのディープラーニングモデルを提案する。 空間的注意を取り入れたこのモデルは96.90%の精度を達成し、パターン認識を改善するために文脈情報の集約を強化した。
  論文  参考訳（メタデータ） (2024-12-10T18:32:42Z)
• Adult Glioma Segmentation in Sub-Saharan Africa using Transfer Learning on Stratified Finetuning Data [6.14919256198409]
  グリオーマは低所得国、中所得国、特にサハラ以南のアフリカで診断上の課題を呈している。 本稿では、最小限のMRIデータと低品質のMRIデータを用いて、リソース制限領域の課題に対処するために、トランスファーラーニングを用いたグリオーマセグメンテーションの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-05T12:29:12Z)
• 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)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• 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)
• 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)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)

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。