論文の概要: MobileDenseAttn:A Dual-Stream Architecture for Accurate and Interpretable Brain Tumor Detection

• arxiv url: http://arxiv.org/abs/2508.18294v1
• Date: Fri, 22 Aug 2025 13:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.498736
• Title: MobileDenseAttn:A Dual-Stream Architecture for Accurate and Interpretable Brain Tumor Detection
• Title（参考訳）: MobileDenseAttn:精度と解釈可能な脳腫瘍検出のためのデュアルストリームアーキテクチャ
• Authors: Shudipta Banik, Muna Das, Trapa Banik, Md. Ehsanul Haque,
• Abstract要約: 我々はMobileNetV2とDenseNet201の融合モデルであるMobileDenseAttnを紹介する。 MobileDenseAttnは、グリオーマ、髄膜腫、下垂体腫瘍、正常サンプルを表す6,020個のMRIスキャンのデータセットで訓練されている。 訓練精度99.75%、試験精度98.35%、安定したF1スコア0.9835を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection of brain tumor in MRI is an important aspect of ensuring timely diagnostics and treatment; however, manual analysis is commonly long and error-prone. Current approaches are not universal because they have limited generalization to heterogeneous tumors, are computationally inefficient, are not interpretable, and lack transparency, thus limiting trustworthiness. To overcome these issues, we introduce MobileDenseAttn, a fusion model of dual streams of MobileNetV2 and DenseNet201 that can help gradually improve the feature representation scale, computing efficiency, and visual explanations via GradCAM. Our model uses feature level fusion and is trained on an augmented dataset of 6,020 MRI scans representing glioma, meningioma, pituitary tumors, and normal samples. Measured under strict 5-fold cross-validation protocols, MobileDenseAttn provides a training accuracy of 99.75%, a testing accuracy of 98.35%, and a stable F1 score of 0.9835 (95% CI: 0.9743 to 0.9920). The extensive validation shows the stability of the model, and the comparative analysis proves that it is a great advancement over the baseline models (VGG19, DenseNet201, MobileNetV2) with a +3.67% accuracy increase and a 39.3% decrease in training time compared to VGG19. The GradCAM heatmaps clearly show tumor-affected areas, offering clinically significant localization and improving interpretability. These findings position MobileDenseAttn as an efficient, high performance, interpretable model with a high probability of becoming a clinically practical tool in identifying brain tumors in the real world.
• Abstract（参考訳）: MRIにおける脳腫瘍の検出は、タイムリーな診断と治療を保証する重要な側面である。 現在のアプローチは、不均一な腫瘍への一般化が限られており、計算的に非効率であり、解釈不可能であり、透明性が欠如しているため、普遍的ではない。 これらの問題を解決するため,MobileNetV2とDenseNet201の二重ストリームの融合モデルであるMobileDenseAttnを導入する。 本モデルでは, グリオーマ, 髄膜腫, 下垂体腫瘍, 正常検体を対象とする6,020個のMRIスキャンデータを用いた。 厳密な5倍のクロスバリデーションプロトコルで測定されたMobileDenseAttnは、トレーニング精度99.75%、テスト精度98.35%、安定したF1スコア0.9835(95%CI:0.9743から0.9920)を提供する。 大規模な検証はモデルの安定性を示し、比較分析はベースラインモデル(VGG19、DenseNet201、MobileNetV2)の精度が+3.67%向上し、VGG19と比較してトレーニング時間が39.3%低下したことを証明している。 GradCAMヒートマップは明らかに腫瘍に感染した領域を示し、臨床的に重要な局所化と解釈性の向上を提供する。 これらの結果から,MobileDenseAttnは実世界における脳腫瘍の同定において,臨床的に実用的なツールとなる可能性の高い,効率的で高性能な解釈可能なモデルとして位置づけられた。

関連論文リスト

• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [1.3149714289117207]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
  MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。 近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。 本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-01T21:06:42Z)
• A Novel Ensemble-Based Deep Learning Model with Explainable AI for Accurate Kidney Disease Diagnosis [3.84521268332112]
  慢性腎臓病 (CKD) は, 腎機能低下が特徴である。 本研究は,CKDの早期検出のための最先端移動学習モデルの適用について検討した。
  論文  参考訳（メタデータ） (2024-12-12T17:18:49Z)
• 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)
• Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT [0.873811641236639]
  本稿では,異常耐性腫瘍の検出と分類のための臨床的に着想を得たフレームワークを提案する。 検出は、現実的に不均衡なデータセット上で微調整されたYOLOv8nを活用する。 また,患者レベルでの診断信頼性を評価するPTP(Patent-to-Patient)尺度も提案した。
  論文  参考訳（メタデータ） (2024-01-06T20:53:02Z)
• Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT [1.0621519762024807]
  3D Computed Tomography (CT) 画像を用いた mTBI 診断の革新的手法を提案する。 我々は,mTBI症例と健常症例を識別するために,Residual Triplet Convolutional Neural Network (RTCNN)モデルを提案する。 我々のRTCNNモデルはmTBI診断において有望な性能を示し、平均精度は94.3%、感度は94.1%、特異性は95.2%である。
  論文  参考訳（メタデータ） (2023-11-23T20:41:46Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)

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。