論文の概要: Brain Tumor Classification from MRI Scans via Transfer Learning and Enhanced Feature Representation
- arxiv url: http://arxiv.org/abs/2509.22956v1
- Date: Fri, 26 Sep 2025 21:41:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:18.952568
- Title: Brain Tumor Classification from MRI Scans via Transfer Learning and Enhanced Feature Representation
- Title（参考訳）: 転写学習と特徴表現の強化によるMRI画像からの脳腫瘍の分類
- Authors: Ahta-Shamul Hoque Emran, Hafija Akter, Abdullah Al Shiam, Abu Saleh Musa Miah, Anichur Rahman, Fahmid Al Farid, Hezerul Abdul Karim,
- Abstract要約: 磁気共鳴画像(MRI)スキャンによる脳腫瘍検出のための,自動的かつ効率的なディープラーニングフレームワークを提案する。
このフレームワークは特徴抽出のために事前訓練されたResNet50モデルを使用し、続いてGlobal Average Pooling (GAP) と線形投影を用いてコンパクトで高レベルな画像表現を得る。
もうひとつの大きな貢献は、信頼できる脳腫瘍MRIリソースの欠如に対応するために設計された、Mymensingh Medical College脳腫瘍データセットの作成である。
- 参考スコア（独自算出の注目度）: 1.0016573996942697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain tumors are abnormal cell growths in the central nervous system (CNS), and their timely detection is critical for improving patient outcomes. This paper proposes an automatic and efficient deep-learning framework for brain tumor detection from magnetic resonance imaging (MRI) scans. The framework employs a pre-trained ResNet50 model for feature extraction, followed by Global Average Pooling (GAP) and linear projection to obtain compact, high-level image representations. These features are then processed by a novel Dense-Dropout sequence, a core contribution of this work, which enhances non-linear feature learning, reduces overfitting, and improves robustness through diverse feature transformations. Another major contribution is the creation of the Mymensingh Medical College Brain Tumor (MMCBT) dataset, designed to address the lack of reliable brain tumor MRI resources. The dataset comprises MRI scans from 209 subjects (ages 9 to 65), including 3671 tumor and 13273 non-tumor images, all clinically verified under expert supervision. To overcome class imbalance, the tumor class was augmented, resulting in a balanced dataset well-suited for deep learning research.
- Abstract（参考訳）: 脳腫瘍は中枢神経系(CNS)の異常な細胞増殖であり、そのタイムリーな検出は患者の予後を改善するために重要である。
磁気共鳴画像(MRI)スキャンによる脳腫瘍検出のための,自動的かつ効率的なディープラーニングフレームワークを提案する。
このフレームワークは特徴抽出のために事前訓練されたResNet50モデルを使用し、続いてGlobal Average Pooling (GAP) と線形投影を用いてコンパクトで高レベルな画像表現を得る。
これらの特徴は、新しいDense-Dropoutシーケンスによって処理され、この研究のコアコントリビューションは、非線形の特徴学習を強化し、過剰適合を減らし、多様な特徴変換を通じて堅牢性を改善する。
もうひとつの大きな貢献は、信頼できる脳腫瘍MRIリソースの欠如に対応するために設計された、Mymensingh Medical College Brain tumor (MMCBT)データセットの作成である。
このデータセットは、3671の腫瘍と13273の非腫瘍画像を含む209人の被験者(9歳から65歳)のMRIスキャンを含む。
クラス不均衡を克服するため、腫瘍クラスは拡張され、より深い学習研究に適したバランスの取れたデータセットとなった。
関連論文リスト
- Hybrid Ensemble Approaches: Optimal Deep Feature Fusion and Hyperparameter-Tuned Classifier Ensembling for Enhanced Brain Tumor Classification [24.801687550103217]
本研究では、特徴抽出のための組立事前学習(DL)モデルと、脳腫瘍を効率的に分類するための組立微調整機械学習(ML)モデルからなる、新しい二重組立フレームワークを提案する。
具体的には,脳MRIから深部特徴を抽出するために,様々なトレーニング済みの深部畳み込みニューラルネットワークと視覚トランスフォーマーネットワークを活用することで,広範な前処理と拡張,伝達学習の概念を含む。
論文 参考訳（メタデータ） (2025-07-16T12:22:11Z) - A CNN Approach to Automated Detection and Classification of Brain Tumors [0.0]
本研究の目的は、提供されたMRIデータを分析して、健康な脳組織と脳腫瘍を分類することである。
モデル作成に使用されるデータセットは、3,264個の脳MRIスキャンを含む、一般にアクセス可能で検証された脳腫瘍分類(MRI)データベースである。
論文 参考訳（メタデータ） (2025-02-13T19:33:26Z) - SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification [3.8233569758620063]
脳腫瘍の早期発見は、タイムリーな治療には不可欠であるが、遠隔地では診断施設へのアクセスが制限されている。
本研究では,MRIデータを用いた脳腫瘍の自動検出と分類のためのディープラーニングモデルを提案する。
空間的注意を取り入れたこのモデルは96.90%の精度を達成し、パターン認識を改善するために文脈情報の集約を強化した。
論文 参考訳（メタデータ） (2024-12-10T18:32:42Z) - Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。
本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。
我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
論文 参考訳（メタデータ） (2024-10-31T07:28:06Z) - Targeted Neural Architectures in Multi-Objective Frameworks for Complete Glioma Characterization from Multimodal MRI [0.0]
脳腫瘍は認知障害、運動機能障害、感覚障害などの神経学的障害を引き起こす。
深層学習(DL)と人工知能(AI)は、MRI(MRI)スキャンを用いて早期診断の医師を支援するためにますます利用されている。
本研究は、これらのグリオーマのグレードの局在化、セグメント化、分類が可能な多目的フレームワーク内のターゲット型ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-09-25T18:38:57Z) - Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and
Eosin Whole Slide Images: An Indian Cohort Study [31.789472128764036]
本研究は, 厳密な複数事例学習実験から得られた知見をもとに, 患者ケアを推し進めるものである。
複数のデータセットにまたがるグリオーマサブタイプ分類において、新しいパフォーマンスベンチマークを確立する。
論文 参考訳（メタデータ） (2024-02-24T14:59:19Z) - 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) - Contrastive Representation Learning for Rapid Intraoperative Diagnosis
of Skull Base Tumors Imaged Using Stimulated Raman Histology [26.194247664756553]
頭蓋底腫瘍の術中診断は,腫瘍の多様性と術中病理資源の不足により困難である。
頭蓋底腫瘍の迅速かつ正確な診断を可能とする,独立かつ平行な術中病理ワークフローを開発した。
論文 参考訳（メタデータ） (2021-08-08T02:49:29Z) - Free-form tumor synthesis in computed tomography images via richer
generative adversarial network [25.20811195237978]
本稿では,CT画像における3次元腫瘍/レセオン合成のための,よりリッチな生成対向ネットワークを提案する。
このネットワークは、新しいリッチな畳み込み特徴強化拡張拡張型ジェネレータ(richerdg)とハイブリッド損失関数で構成されている。
論文 参考訳（メタデータ） (2021-04-20T00:49:35Z) - Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
本稿では,脳腫瘍の異常検出アルゴリズムを提案する。
健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
論文 参考訳（メタデータ） (2020-07-09T12:12:16Z)
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。