論文の概要: Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture

• arxiv url: http://arxiv.org/abs/2512.07241v1
• Date: Mon, 08 Dec 2025 07:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.76016
• Title: Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture
• Title（参考訳）: Squeezed-Eff-Net:ハイブリッドニューラルネットワークアーキテクチャを利用したトモグラフィに基づく脳腫瘍分類のエッジ計算による強化
• Authors: Md. Srabon Chowdhury, Syeda Fahmida Tanzim, Sheekar Banerjee, Ishtiak Al Mamoon, AKM Muzahidul Islam,
• Abstract要約: 本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。 このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
• 参考スコア（独自算出の注目度）: 0.7829352305480285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumors are one of the most common and dangerous neurological diseases which require a timely and correct diagnosis to provide the right treatment procedures. Even with the promotion of magnetic resonance imaging (MRI), the process of tumor delineation is difficult and time-consuming, which is prone to inter-observer error. In order to overcome these limitations, this work proposes a hybrid deep learning model based on SqueezeNet v1 which is a lightweight model, and EfficientNet-B0, which is a high-performing model, and is enhanced with handcrafted radiomic descriptors, including Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Gabor filters and Wavelet transforms. The framework was trained and tested only on publicly available Nickparvar Brain Tumor MRI dataset, which consisted of 7,023 contrast-enhanced T1-weighted axial MRI slices which were categorized into four groups: glioma, meningioma, pituitary tumor, and no tumor. The testing accuracy of the model was 98.93% that reached a level of 99.08% with Test Time Augmentation (TTA) showing great generalization and power. The proposed hybrid network offers a compromise between computation efficiency and diagnostic accuracy compared to current deep learning structures and only has to be trained using fewer than 2.1 million parameters and less than 1.2 GFLOPs. The handcrafted feature addition allowed greater sensitivity in texture and the EfficientNet-B0 backbone represented intricate hierarchical features. The resulting model has almost clinical reliability in automated MRI-based classification of tumors highlighting its possibility of use in clinical decision-support systems.
• Abstract（参考訳）: 脳腫瘍は、適切な治療法を提供するために、タイムリーで正確な診断を必要とする最も一般的で危険な神経疾患の1つである。 磁気共鳴画像(MRI)の進歩にもかかわらず,腫瘍の脱線過程は難しく,時間を要するため,サーバ間エラーが生じる傾向にある。 これらの制約を克服するため,本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0をベースとしたハイブリッドディープラーニングモデルを提案し,Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Gabor filters, Wavelet transformsなどの手作り無線記述子で拡張した。 7,023個の造影T1強調軸MRIスライスからなり,グリオーマ,髄膜腫,下垂体腫瘍,腫瘍の4群に分類された。 試験精度は98.93%で、99.08%に達し、TTA(Test Time Augmentation)は高い一般化と出力を示した。 提案したハイブリッドネットワークは、現在のディープラーニング構造と比較して計算効率と診断精度の妥協を提供しており、パラメータは2100万未満、GFLOPは1.2GFLOP未満である。 手作りの機能追加によりテクスチャの感度が向上し、複雑な階層的特徴を表すEfficientNet-B0バックボーンが実現された。 結果として得られたモデルは、MRIによる腫瘍の自動分類においてほぼ臨床的な信頼性を有しており、臨床診断支援システムでの使用の可能性を強調している。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN [0.0]
  Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。 開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。 実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-29T20:14:13Z)
• A deep learning approach for brain tumor detection using magnetic resonance imaging [0.0]
  脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。 MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。 提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
  論文  参考訳（メタデータ） (2022-10-25T10:13:29Z)
• 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)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• 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)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。