論文の概要: MRI-Based Brain Tumor Detection through an Explainable EfficientNetV2 and MLP-Mixer-Attention Architecture

• arxiv url: http://arxiv.org/abs/2509.06713v1
• Date: Mon, 08 Sep 2025 14:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.181308
• Title: MRI-Based Brain Tumor Detection through an Explainable EfficientNetV2 and MLP-Mixer-Attention Architecture
• Title（参考訳）: 説明可能なNetV2とMLP-Mixer-AttentionアーキテクチャによるMRI脳腫瘍検出
• Authors: Mustafa Yurdakul, Şakir Taşdemir,
• Abstract要約: 脳腫瘍は、死亡率が高いため早期診断を必要とする深刻な健康問題である。 自動診断システムの必要性は日々増している。 脳腫瘍の分類のための頑健で説明可能なディープラーニングモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumors are serious health problems that require early diagnosis due to their high mortality rates. Diagnosing tumors by examining Magnetic Resonance Imaging (MRI) images is a process that requires expertise and is prone to error. Therefore, the need for automated diagnosis systems is increasing day by day. In this context, a robust and explainable Deep Learning (DL) model for the classification of brain tumors is proposed. In this study, a publicly available Figshare dataset containing 3,064 T1-weighted contrast-enhanced brain MRI images of three tumor types was used. First, the classification performance of nine well-known CNN architectures was evaluated to determine the most effective backbone. Among these, EfficientNetV2 demonstrated the best performance and was selected as the backbone for further development. Subsequently, an attention-based MLP-Mixer architecture was integrated into EfficientNetV2 to enhance its classification capability. The performance of the final model was comprehensively compared with basic CNNs and the methods in the literature. Additionally, Grad-CAM visualization was used to interpret and validate the decision-making process of the proposed model. The proposed model's performance was evaluated using the five-fold cross-validation method. The proposed model demonstrated superior performance with 99.50% accuracy, 99.47% precision, 99.52% recall and 99.49% F1 score. The results obtained show that the model outperforms the studies in the literature. Moreover, Grad-CAM visualizations demonstrate that the model effectively focuses on relevant regions of MRI images, thus improving interpretability and clinical reliability. A robust deep learning model for clinical decision support systems has been obtained by combining EfficientNetV2 and attention-based MLP-Mixer, providing high accuracy and interpretability in brain tumor classification.
• Abstract（参考訳）: 脳腫瘍は、死亡率が高いため早期診断を必要とする深刻な健康問題である。 MRI画像による腫瘍の診断は、専門知識を必要とするプロセスであり、エラーを起こしやすい。 そのため、自動診断システムの必要性は日々増している。 この文脈では、脳腫瘍の分類のための頑健で説明可能なDeep Learning(DL)モデルが提案されている。 本研究では,3種類の腫瘍の3,064T1強調造影MRI画像を含むFigshareデータセットを用いた。 まず、9つのよく知られたCNNアーキテクチャの分類性能を評価し、最も効果的なバックボーンを決定する。 これらのうち、EfficientNetV2は最高の性能を示し、さらなる開発のためのバックボーンとして選ばれた。 その後、注意に基づくMLP-MixerアーキテクチャがEfficientNetV2に統合され、その分類能力が向上した。 最終モデルの性能は,基礎的CNNと文献の手法を総合的に比較した。 さらに、Grad-CAM視覚化を用いて、提案モデルの決定過程を解釈し、検証した。 提案モデルの性能を5倍のクロスバリデーション法を用いて評価した。 提案されたモデルは99.50%の精度、99.47%の精度、99.52%のリコール、99.49%のF1スコアで優れた性能を示した。 その結果,本モデルが本研究より優れていたことが示唆された。 さらに、Grad-CAM視覚化により、MRI画像の関連領域に効果的に焦点を合わせ、解釈可能性と臨床信頼性を向上させることが示されている。 EfficientNetV2 と attention-based MLP-Mixer を組み合わせることで,脳腫瘍分類の精度と解釈性を高めることにより,臨床診断支援システムのための堅牢な深層学習モデルが得られた。

関連論文リスト

• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Light Weight CNN for classification of Brain Tumors from MRI Images [0.0]
  本研究では,脳腫瘍のマルチクラス分類のための畳み込みニューラルネットワーク(CNN)に基づくアプローチを提案する。 グリオーマ,髄膜腫,下垂体腫瘍,腫瘍の4つの分類に分類したMRI画像を含む公開データセットを用いて検討した。 実験により, 本モデルが98.78%の分類精度を達成し, 臨床現場での診断支援の可能性を示した。
  論文  参考訳（メタデータ） (2025-04-29T21:45:11Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• 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)
• 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 Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• 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)

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。