論文の概要: DGG-XNet: A Hybrid Deep Learning Framework for Multi-Class Brain Disease Classification with Explainable AI

• arxiv url: http://arxiv.org/abs/2506.14367v1
• Date: Tue, 17 Jun 2025 10:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.417564
• Title: DGG-XNet: A Hybrid Deep Learning Framework for Multi-Class Brain Disease Classification with Explainable AI
• Title（参考訳）: DGG-XNet: 説明可能なAIを用いた多クラス脳疾患分類のためのハイブリッドディープラーニングフレームワーク
• Authors: Sumshun Nahar Eity, Mahin Montasir Afif, Tanisha Fairooz, Md. Mortuza Ahmmed, Md Saef Ullah Miah,
• Abstract要約: 本稿では,VGG16とDenseNet121を統合したハイブリッドディープラーニングモデルDGG-XNetを提案する。 DenseNet121は、高密度接続による機能再利用と効率的な勾配流を促進し、VGG16は強力な階層空間表現に寄与する。 DGG-XNetは91.33%の精度で、精度、リコール、F1スコアは全て91%を超えた。
• 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: Accurate diagnosis of brain disorders such as Alzheimer's disease and brain tumors remains a critical challenge in medical imaging. Conventional methods based on manual MRI analysis are often inefficient and error-prone. To address this, we propose DGG-XNet, a hybrid deep learning model integrating VGG16 and DenseNet121 to enhance feature extraction and classification. DenseNet121 promotes feature reuse and efficient gradient flow through dense connectivity, while VGG16 contributes strong hierarchical spatial representations. Their fusion enables robust multiclass classification of neurological conditions. Grad-CAM is applied to visualize salient regions, enhancing model transparency. Trained on a combined dataset from BraTS 2021 and Kaggle, DGG-XNet achieved a test accuracy of 91.33\%, with precision, recall, and F1-score all exceeding 91\%. These results highlight DGG-XNet's potential as an effective and interpretable tool for computer-aided diagnosis (CAD) of neurodegenerative and oncological brain disorders.
• Abstract（参考訳）: アルツハイマー病や脳腫瘍などの脳疾患の正確な診断は、医用画像撮影において重要な課題である。 手動MRI解析に基づく従来の手法は、しばしば非効率でエラーを起こしやすい。 そこで本研究では,VGG16とDenseNet121を統合したハイブリッドディープラーニングモデルDGG-XNetを提案する。 DenseNet121は、高密度接続による機能再利用と効率的な勾配流を促進し、VGG16は強力な階層空間表現に寄与する。 融合により、神経学的条件の堅牢な多クラス分類が可能となる。 Grad-CAMは、正常な領域を視覚化し、モデルの透明性を高める。 BraTS 2021とKaggleのデータセットで訓練され、DGG-XNetは91.33\%の精度で、精度、リコール、F1スコアは全て91\%を超えた。 これらの結果は、神経変性および腫瘍性脳疾患のコンピュータ支援診断(CAD)に有効なツールとしてDGG-XNetの可能性を浮き彫りにした。

関連論文リスト

• 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)
• Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
  グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。 この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。 提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
  論文  参考訳（メタデータ） (2024-03-15T00:52:17Z)
• Hybridized Convolutional Neural Networks and Long Short-Term Memory for Improved Alzheimer's Disease Diagnosis from MRI Scans [2.621434923709917]
  本研究では,CNNモデルの特徴抽出機能とLSTMモデルの検出機能を組み合わせたハイブリッドモデルを提案する。 ADNIデータセットを利用したハイブリッドモデルのトレーニング。 モデルの精度は98.8%、感度は100%、特異度は76%に達した。
  論文  参考訳（メタデータ） (2024-03-08T14:34:32Z)
• Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images [1.534667887016089]
  脳腫瘍はますます広まり、脳内の異常な組織が制御不能に広がるのが特徴である。 本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T19:13:04Z)
• 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)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• CTVR-EHO TDA-IPH Topological Optimized Convolutional Visual Recurrent Network for Brain Tumor Segmentation and Classification [1.2499537119440245]
  我々は,脳腫瘍の分類と分類のためのトポロジカルデータ解析に基づく改良型永続ホモロジーと畳み込み移動学習と視覚的反復学習モデルを開発した。 他の既存の脳腫瘍の分類モデルと比較して、提案されたCTVR-EHOおよびTDA-IPHアプローチは、高い精度(99.8%)、高いリコール(99.23%)、高い精度(99.67%)、高いFスコア(99.59%)を示す。
  論文  参考訳（メタデータ） (2022-06-06T07:04:05Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。