論文の概要: General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification

• arxiv url: http://arxiv.org/abs/2511.18326v1
• Date: Sun, 23 Nov 2025 07:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.777666
• Title: General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification
• Title（参考訳）: 一般対ドメイン特異的CNN:脳MRI腫瘍分類における事前訓練効果の理解
• Authors: Helia Abedini, Saba Rahimi, Reza Vaziri,
• Abstract要約: 深部畳み込みニューラルネットワーク(CNN)は、医用画像処理タスクにおいて強力な性能を示している。 小さなデータセットしか利用できない場合、事前訓練されたモデルのどのタイプが優れているかは不明だ。
• 参考スコア（独自算出の注目度）: 0.5907996850796289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumor detection from MRI scans plays a crucial role in early diagnosis and treatment planning. Deep convolutional neural networks (CNNs) have demonstrated strong performance in medical imaging tasks, particularly when pretrained on large datasets. However, it remains unclear which type of pretrained model performs better when only a small dataset is available: those trained on domain-specific medical data or those pretrained on large general datasets. In this study, we systematically evaluate three pretrained CNN architectures for brain tumor classification: RadImageNet DenseNet121 with medical-domain pretraining, EfficientNetV2S, and ConvNeXt-Tiny, which are modern general-purpose CNNs. All models were trained and fine-tuned under identical conditions using a limited-size brain MRI dataset to ensure a fair comparison. Our results reveal that ConvNeXt-Tiny achieved the highest accuracy, followed by EfficientNetV2S, while RadImageNet DenseNet121, despite being pretrained on domain-specific medical data, exhibited poor generalization with lower accuracy and higher loss. These findings suggest that domain-specific pretraining may not generalize well under small-data conditions. In contrast, modern, deeper general-purpose CNNs pretrained on large-scale datasets can offer superior transfer learning performance in specialized medical imaging tasks.
• Abstract（参考訳）: MRIスキャンによる脳腫瘍の検出は早期診断と治療計画において重要な役割を担っている。 ディープ畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、特に大規模なデータセットで事前トレーニングされた場合、医療画像タスクにおいて強力なパフォーマンスを示す。 しかし、ドメイン固有の医療データや、大規模な一般データセットで事前訓練されたデータなど、小さなデータセットしか利用できない場合、どのような事前訓練モデルが優れているかは、まだ不明である。 本研究では,最新の汎用CNNであるRadImageNet DenseNet121,EfficientNetV2S,ConvNeXt-Tinyの3つの事前トレーニング済みCNNアーキテクチャを体系的に評価した。 すべてのモデルは、公正な比較を確保するために、限定サイズの脳MRIデータセットを使用して、同じ条件下で訓練され、微調整された。 その結果,ConvNeXt-Tinyは高い精度を達成し,RadImageNet DenseNet121はドメイン固有の医療データで事前訓練されたものの,低い精度と高い損失で一般化が得られなかった。 これらの結果から,小データ条件下では,ドメイン固有の事前訓練がうまく一般化しない可能性が示唆された。 対照的に、大規模データセットで事前訓練された現代的でより深い汎用CNNは、特殊な医用画像処理タスクにおいて、より優れた転送学習性能を提供することができる。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• Benchmarking CNN on 3D Anatomical Brain MRI: Architectures, Data Augmentation and Deep Ensemble Learning [2.1446056201053185]
  我々は最近のSOTA(State-of-the-art)3D CNNの広範なベンチマークを提案し、データ拡張と深層アンサンブル学習の利点も評価した。 年齢予測,性別分類,統合失調症診断の3つの課題について,N=10kスキャンを含む多地点の脳解剖学的MRIデータセットを用いて実験を行った。 その結果,VBM画像の予測精度は擬似RAWデータよりも有意に向上した。 DenseNetとSmall-DenseNetは、私たちが提案したより軽量なバージョンで、すべてのデータレシエーションのパフォーマンスにおいて優れた妥協を提供する。
  論文  参考訳（メタデータ） (2021-06-02T13:00:35Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。