論文の概要: Brain Tumor Detection Through Diverse CNN Architectures in IoT Healthcare Industries: Fast R-CNN, U-Net, Transfer Learning-Based CNN, and Fully Connected CNN

• arxiv url: http://arxiv.org/abs/2509.05821v1
• Date: Sat, 06 Sep 2025 20:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.730744
• Title: Brain Tumor Detection Through Diverse CNN Architectures in IoT Healthcare Industries: Fast R-CNN, U-Net, Transfer Learning-Based CNN, and Fully Connected CNN
• Title（参考訳）: IoTヘルスケア産業における異種CNNアーキテクチャによる脳腫瘍検出:高速R-CNN、U-Net、トランスファーラーニングベースCNN、完全接続CNN
• Authors: Mohsen Asghari Ilani, Yaser M. Banad,
• Abstract要約: R-CNN,UNet,転写学習モデルを用いて,MRI画像からグリオーマ,髄膜腫,下垂体腫瘍を分類した。 高速R-CNNは99%の精度、98.5%のFスコア、99.5%のエリア・アンダー・ザ・カーブ(AUC)、99.4%のリコール、98.5%の精度で最高の結果を得た。 これらの結果は、多様なデータセットを扱うAIモデルの堅牢性と信頼性を強調している。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI)-powered deep learning has advanced brain tumor diagnosis in Internet of Things (IoT)-healthcare systems, achieving high accuracy with large datasets. Brain health is critical to human life, and accurate diagnosis is essential for effective treatment. Magnetic Resonance Imaging (MRI) provides key data for brain tumor detection, serving as a major source of big data for AI-driven image classification. In this study, we classified glioma, meningioma, and pituitary tumors from MRI images using Region-based Convolutional Neural Network (R-CNN) and UNet architectures. We also applied Convolutional Neural Networks (CNN) and CNN-based transfer learning models such as Inception-V3, EfficientNetB4, and VGG19. Model performance was assessed using F-score, recall, precision, and accuracy. The Fast R-CNN achieved the best results with 99% accuracy, 98.5% F-score, 99.5% Area Under the Curve (AUC), 99.4% recall, and 98.5% precision. Combining R-CNN, UNet, and transfer learning enables earlier diagnosis and more effective treatment in IoT-healthcare systems, improving patient outcomes. IoT devices such as wearable monitors and smart imaging systems continuously collect real-time data, which AI algorithms analyze to provide immediate insights for timely interventions and personalized care. For external cohort cross-dataset validation, EfficientNetB2 achieved the strongest performance among fine-tuned EfficientNet models, with 92.11% precision, 92.11% recall/sensitivity, 95.96% specificity, 92.02% F1-score, and 92.23% accuracy. These findings underscore the robustness and reliability of AI models in handling diverse datasets, reinforcing their potential to enhance brain tumor classification and patient care in IoT healthcare environments.
• Abstract（参考訳）: 人工知能(AI)を利用したディープラーニングは、IoT(Internet of Things)ヘルスケアシステムにおいて、高度な脳腫瘍の診断を行い、大規模なデータセットで高い精度を達成する。 脳の健康は人間の生命にとって重要であり、正確な診断は効果的な治療に不可欠である。 MRI(Magnetic Resonance Imaging)は、脳腫瘍検出のための重要なデータを提供する。 本研究では,領域ベース畳み込みニューラルネットワーク(R-CNN)とUNetアーキテクチャを用いたMRI画像からグリオーマ,髄膜腫,下垂体腫瘍を分類した。 Inception-V3、EfficientNetB4、VGG19といったCNNベースのトランスファー学習モデルも適用した。 モデル性能はFスコア,リコール,精度,精度を用いて評価した。 高速R-CNNは99%の精度、98.5%のFスコア、99.5%のエリア・アンダー・ザ・カーブ(AUC)、99.4%のリコール、98.5%の精度で最高の結果を得た。 R-CNN、UNet、トランスファーラーニングを組み合わせることで、IoTヘルスシステムにおける早期診断とより効果的な治療が可能になり、患者の成果が向上する。 ウェアラブルモニタやスマートイメージングシステムなどのIoTデバイスは、リアルタイムデータを継続的に収集し、AIアルゴリズムが分析して、タイムリーな介入とパーソナライズされたケアの即時的な洞察を提供する。 外部コホート・クロスデータセットの検証において、EfficientNetB2は92.11%の精度、92.11%のリコール/感度、95.96%の特異性、92.02%のF1スコア、92.23%の精度で微調整されたEfficientNetモデルの中で最大の性能を達成した。 これらの結果は、多様なデータセットを扱うAIモデルの堅牢性と信頼性を強調し、IoT医療環境における脳腫瘍の分類と患者のケアを強化する可能性を強化する。

関連論文リスト

• Comparative Analysis of Resource-Efficient CNN Architectures for Brain Tumor Classification [0.0]
  本研究は,脳腫瘍分類のための有効かつ単純な畳み込みニューラルネットワーク(CNN)アーキテクチャと事前訓練されたResNet18とVGG16モデルの比較分析を行った。 カスタムCNNアーキテクチャは、複雑さが低いにもかかわらず、事前訓練されたResNet18とVGG16モデルとの競合性能を示している。
  論文  参考訳（メタデータ） (2024-11-23T16:13:40Z)
• 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)
• Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
  脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。 本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。 このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
  論文  参考訳（メタデータ） (2023-10-26T18:27:20Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• 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)
• 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)
• 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 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。