Fugu-MT 論文翻訳(概要): Classification of Brain Tumors using Hybrid Deep Learning Models

論文の概要: Classification of Brain Tumors using Hybrid Deep Learning Models

arxiv url: http://arxiv.org/abs/2508.01350v1
Date: Sat, 02 Aug 2025 12:56:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:21.838159
Title: Classification of Brain Tumors using Hybrid Deep Learning Models
Title（参考訳）: ハイブリッドディープラーニングモデルを用いた脳腫瘍の分類
Authors: Neerav Nemchand Gala,
Abstract要約: 本研究は, より少ないトレーニングサンプルを用いて, 強い分類性能を達成するために伝達学習を適用した。その結果,EfficientNetV2は他のモデルに比べて優れた性能を示した。
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: The use of Convolutional Neural Networks (CNNs) has greatly improved the interpretation of medical images. However, conventional CNNs typically demand extensive computational resources and large training datasets. To address these limitations, this study applied transfer learning to achieve strong classification performance using fewer training samples. Specifically, the study compared EfficientNetV2 with its predecessor, EfficientNet, and with ResNet50 in classifying brain tumors into three types: glioma, meningioma, and pituitary tumors. Results showed that EfficientNetV2 delivered superior performance compared to the other models. However, this improvement came at the cost of increased training time, likely due to the model's greater complexity.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の使用は、医療画像の解釈を大幅に改善した。しかし、従来のCNNは通常、広範な計算資源と大規模なトレーニングデータセットを必要とする。これらの制約に対処するため,本研究では,より少ないトレーニングサンプルを用いて,強い分類性能を達成するために伝達学習を適用した。具体的には、EfficientNetV2を前身のEfficientNetと比較し、ResNet50で脳腫瘍をグリオーマ、髄膜腫、下垂体腫瘍の3つのタイプに分類した。その結果,EfficientNetV2は他のモデルに比べて優れた性能を示した。しかし、この改善は、おそらくモデルの複雑さが大きいため、トレーニング時間を増やすコストが伴った。

関連論文リスト

Deep Brain Net: An Optimized Deep Learning Model for Brain tumor Detection in MRI Images Using EfficientNetB0 and ResNet50 with Transfer Learning [0.0]
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。
論文参考訳（メタデータ） (2025-07-09T16:42:26Z)
Explainability of Deep Neural Networks for Brain Tumor Detection [0.0828720658988688]
我々は、実世界の医療データに基づいて、様々なモデルの性能を評価するために、説明可能なAI(XAI)技術を適用した。より浅いアーキテクチャを持つCNNは、小さなデータセットに対してより効果的であり、医療的な意思決定をサポートすることができる。
論文参考訳（メタデータ） (2024-10-10T05:01:21Z)
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)
Analysis of Modern Computer Vision Models for Blood Cell Classification [49.1574468325115]
この研究では、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用して、迅速かつ正確な結果を得る。本手法は,従来の手法の速度と精度の懸念に対処するだけでなく,血液学的解析における革新的な深層学習モデルの適用性についても検討する。
論文参考訳（メタデータ） (2024-06-30T16:49:29Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文参考訳（メタデータ） (2023-06-14T01:24:42Z)
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)
Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文参考訳（メタデータ） (2021-05-28T19:27:51Z)
Transfer Learning Enhanced Generative Adversarial Networks for Multi-Channel MRI Reconstruction [3.5765797841178597]
深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。 k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
論文参考訳（メタデータ） (2021-05-17T21:28:00Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。