論文の概要: Research on Brain Tumor Classification Method Based on Improved ResNet34 Network
- arxiv url: http://arxiv.org/abs/2512.03751v1
- Date: Wed, 03 Dec 2025 12:47:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-04 20:02:55.295074
- Title: Research on Brain Tumor Classification Method Based on Improved ResNet34 Network
- Title（参考訳）: 改良resNet34ネットワークを用いた脳腫瘍分類法に関する研究
- Authors: Yufeng Li, Wenchao Zhao, Bo Dang, Weimin Wang,
- Abstract要約: 本稿では,ResNet34ネットワークを改良した脳腫瘍分類モデルを提案する。
マルチスケールの入力モジュールをResNet34ネットワークの第1層として、インセプションv2モジュールを残留サンプル層として使用する。
5倍のクロスオーバー実験の結果、改良されたネットワークモデルの平均分類精度は約98.8%であることがわかった。
- 参考スコア（独自算出の注目度）: 11.090767897838324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previously, image interpretation in radiology relied heavily on manual methods. However, manual classification of brain tumor medical images is time-consuming and labor-intensive. Even with shallow convolutional neural network models, the accuracy is not ideal. To improve the efficiency and accuracy of brain tumor image classification, this paper proposes a brain tumor classification model based on an improved ResNet34 network. This model uses the ResNet34 residual network as the backbone network and incorporates multi-scale feature extraction. It uses a multi-scale input module as the first layer of the ResNet34 network and an Inception v2 module as the residual downsampling layer. Furthermore, a channel attention mechanism module assigns different weights to different channels of the image from a channel domain perspective, obtaining more important feature information. The results after a five-fold crossover experiment show that the average classification accuracy of the improved network model is approximately 98.8%, which is not only 1% higher than ResNet34, but also only 80% of the number of parameters of the original model. Therefore, the improved network model not only improves accuracy but also reduces clutter, achieving a classification effect with fewer parameters and higher accuracy.
- Abstract（参考訳）: 以前は、放射線学における画像解釈は手動の手法に大きく依存していた。
しかし、脳腫瘍の医療画像の手動分類は時間がかかり、労働集約的である。
浅い畳み込みニューラルネットワークモデルであっても、精度は理想的ではない。
本稿では,脳腫瘍画像分類の効率と精度を向上させるために,改良されたResNet34ネットワークに基づく脳腫瘍分類モデルを提案する。
このモデルは、バックボーンネットワークとしてResNet34残基ネットワークを使用し、マルチスケールの特徴抽出を取り入れている。
マルチスケールの入力モジュールをResNet34ネットワークの第1層として、インセプションv2モジュールを残留サンプル層として使用する。
さらに、チャンネルアテンション機構モジュールは、チャンネル領域の観点から、画像の異なるチャンネルに異なる重みを割り当て、より重要な特徴情報を取得する。
5倍のクロスオーバー実験の結果、改良されたネットワークモデルの平均分類精度は約98.8%であり、これはResNet34よりも1%高いだけでなく、元のモデルのパラメータの80%に過ぎない。
したがって、改良されたネットワークモデルは精度を向上するだけでなく、クラッタを低減し、より少ないパラメータと高い精度で分類効果を達成する。
関連論文リスト
- Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning [5.350541719319564]
ファジィシグモイド・コンボリューション(FSC)は、最上位モジュールと中間モジュールの2つの追加モジュールと共に導入された。
新たな畳み込み演算子がこのアプローチの中心であり、入力データの整合性を保ちながら受容場を効果的に拡張する。
この研究は、医用イメージング応用のための軽量で高性能なディープラーニングモデルを提供する。
論文 参考訳（メタデータ） (2025-05-08T13:02:44Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
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) - Research on Deep Learning Model of Feature Extraction Based on Convolutional Neural Network [0.32985979395737786]
AlexNetとInceptionV3はより優れた画像認識結果を得るために選択された。
トレーニングされたAlexNetモデルの予測精度、特異性、感度は4.25ポイント向上した。
グラフィックス処理の使用率は、InceptionV3モードと比較して51%減少した。
論文 参考訳（メタデータ） (2024-06-13T06:00:28Z) - Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。
我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。
実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文 参考訳（メタデータ） (2022-09-15T15:41:47Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Network Augmentation for Tiny Deep Learning [73.57192520534585]
ニューラルネットワークの性能向上のための新しいトレーニング手法であるNetAug(Net Aug)を紹介する。
画像分類と物体検出におけるNetAugの有効性を示す。
論文 参考訳（メタデータ） (2021-10-17T18:48:41Z) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - ResNet-like Architecture with Low Hardware Requirements [0.9135092203041721]
特定のデバイス上での計算をより効率的にするために、ニューロンモデルを修正します。
ResNetのほとんどのレイヤでは、実装に必要なロジックゲートが2.1～2.9倍少なく、レイテンシが15～30%低い。
論文 参考訳（メタデータ） (2020-09-15T15:54:28Z) - Going deeper with brain morphometry using neural networks [18.851541271793085]
深部畳み込みニューラルネットワークは数秒で形態計測を推測できる。
我々はHerstonNetという名の脳形態計測のためのより正確で効率的なニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-09-07T07:57:13Z)
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。