論文の概要: Deep Brain Net: An Optimized Deep Learning Model for Brain tumor Detection in MRI Images Using EfficientNetB0 and ResNet50 with Transfer Learning

• arxiv url: http://arxiv.org/abs/2507.07011v1
• Date: Wed, 09 Jul 2025 16:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.678855
• Title: Deep Brain Net: An Optimized Deep Learning Model for Brain tumor Detection in MRI Images Using EfficientNetB0 and ResNet50 with Transfer Learning
• Title（参考訳）: Deep Brain Net: 伝達学習を用いた効率的なNetB0とResNet50を用いたMRI画像の脳腫瘍検出のための最適化ディープラーニングモデル
• Authors: Daniel Onah, Ravish Desai,
• Abstract要約: 本稿では,脳腫瘍検出性能の最適化を目的とした新しい深層学習システムであるDeep Brain Netを提案する。 このモデルは、EfficientNetB0とResNet50の2つの高度なニューラルネットワークアーキテクチャの長所を統合する。 公開されているMRIデータセットで実施された大規模な実験により、Deep Brain Netは、分類精度、精度、リコール、計算効率の点で、最先端の手法の既存の状態を一貫して上回っていることが示されている。
• 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: In recent years, deep learning has shown great promise in the automated detection and classification of brain tumors from MRI images. However, achieving high accuracy and computational efficiency remains a challenge. In this research, we propose Deep Brain Net, a novel deep learning system designed to optimize performance in the detection of brain tumors. The model integrates the strengths of two advanced neural network architectures which are EfficientNetB0 and ResNet50, combined with transfer learning to improve generalization and reduce training time. The EfficientNetB0 architecture enhances model efficiency by utilizing mobile inverted bottleneck blocks, which incorporate depth wise separable convolutions. This design significantly reduces the number of parameters and computational cost while preserving the ability of models to learn complex feature representations. The ResNet50 architecture, pre trained on large scale datasets like ImageNet, is fine tuned for brain tumor classification. Its use of residual connections allows for training deeper networks by mitigating the vanishing gradient problem and avoiding performance degradation. The integration of these components ensures that the proposed system is both computationally efficient and highly accurate. Extensive experiments performed on publicly available MRI datasets demonstrate that Deep Brain Net consistently outperforms existing state of the art methods in terms of classification accuracy, precision, recall, and computational efficiency. The result is an accuracy of 88 percent, a weighted F1 score of 88.75 percent, and a macro AUC ROC score of 98.17 percent which demonstrates the robustness and clinical potential of Deep Brain Net in assisting radiologists with brain tumor diagnosis.
• Abstract（参考訳）: 近年、深層学習はMRI画像から脳腫瘍の自動検出と分類において大きな可能性を秘めている。 しかし、高い精度と計算効率を達成することは依然として課題である。 本研究では,脳腫瘍検出性能の最適化を目的とした新しい深層学習システムであるDeep Brain Netを提案する。 このモデルは、EfficientNetB0とResNet50の2つの高度なニューラルネットワークアーキテクチャの長所を統合する。 EfficientNetB0アーキテクチャは、ディープワイドな分離可能な畳み込みを組み込んだモバイル逆ボトルネックブロックを利用することで、モデル効率を向上させる。 この設計は、複雑な特徴表現を学習するモデルの能力を維持しながら、パラメータの数と計算コストを大幅に削減する。 ImageNetのような大規模データセットで事前トレーニングされたResNet50アーキテクチャは、脳腫瘍の分類に適している。 残差接続を使用することで、消失する勾配問題を緩和し、性能劣化を避けることにより、より深いネットワークを訓練することができる。 これらのコンポーネントの統合により、提案システムは計算効率が高く、高精度である。 公開されているMRIデータセットで実施された大規模な実験により、Deep Brain Netは、分類精度、精度、リコール、計算効率の点で、既存の最先端手法を一貫して上回っていることが示された。 その結果、88パーセントの精度、重み付けされたF1スコアは88.75パーセント、マクロAUC ROCスコアは98.17パーセントとなり、脳腫瘍を診断する放射線科医を支援するDeep Brain Netの堅牢性と臨床的可能性を示している。

関連論文リスト

• An Explainable Deep Learning Framework for Brain Stroke and Tumor Progression via MRI Interpretation [0.0]
  本稿では,MRI画像から脳腫瘍と脳卒中を同定する深層学習システムについて述べる。 畳み込みニューラルネットワークであるMobileNet V2とResNet-50の2つの画期的な戦略を実行しました。 トレーニング精度は93%に達し、検証精度は88%まで向上した。
  論文  参考訳（メタデータ） (2025-06-10T18:19:56Z)
• Spiking Neural Network for Intra-cortical Brain Signal Decoding [20.79539749730775]
  脳の信号を正確にかつ効率的に復号することは、皮質内脳-コンピュータインターフェースにとって不可欠である。 本稿では,脳内信号復号を効果的かつエネルギー効率よく行うためのスパイキングニューラルネットワーク(SNN)を提案する。
  論文  参考訳（メタデータ） (2025-04-12T13:41:59Z)
• 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)
• Topology Optimization of Random Memristors for Input-Aware Dynamic SNN [44.38472635536787]
  入力対応動的旋回型スパイクニューラルネットワーク(PRIME)のプルーニング最適化について紹介する。 信号表現の面では、PRIMEは脳固有のスパイキング機構をエミュレートするために、漏れやすい統合と発火のニューロンを使用する。 計算深度の動的調整にインスパイアされた再構成性のために、PRIMEは入力対応の動的早期停止ポリシーを採用している。
  論文  参考訳（メタデータ） (2024-07-26T09:35:02Z)
• SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation [0.0]
  本稿では,SEDNetと呼ばれる新しい浅層エンコーダとデコーダネットワークを含む腫瘍セグメンテーションフレームワークを提案する。 SEDNetのハイライトは、階層的畳み込みダウンサンプリングにおける十分さと、コスト効率が高く効果的な脳腫瘍セマンティックセグメンテーションのための選択的スキップメカニズムである。 SEDNet(X)は、約130万のパラメータと、最先端のSEDNet(X)と比較すると、リアルタイム臨床診断において計算的に効率的であることが示されている。
  論文  参考訳（メタデータ） (2024-01-24T11:57:25Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
  脳腫瘍の不正確な同定は、寿命を著しく低下させる。 本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network [18.497065020090062]
  この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。 深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
  論文  参考訳（メタデータ） (2022-04-26T13:20:42Z)
• End-to-End Learning of Deep Kernel Acquisition Functions for Bayesian Optimization [39.56814839510978]
  ニューラルネットワークに基づくカーネルを用いたベイズ最適化のためのメタラーニング手法を提案する。 我々のモデルは、複数のタスクから強化学習フレームワークによって訓練されている。 3つのテキスト文書データセットを用いた実験において,提案手法が既存の手法よりも優れたBO性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-11-01T00:42:31Z)
• 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)

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。