論文の概要: AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings

• arxiv url: http://arxiv.org/abs/2512.22184v1
• Date: Fri, 19 Dec 2025 19:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.108341
• Title: AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings
• Title（参考訳）: 低リソース環境下での脳腫瘍診断のためのAIによる仮想生検
• Authors: Areeb Ehsan,
• Abstract要約: 本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。 臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Timely brain tumor diagnosis remains challenging in low-resource clinical environments where expert neuroradiology interpretation, high-end MRI hardware, and invasive biopsy procedures may be limited. Although deep learning has achieved strong performance in brain tumor analysis, real-world adoption is constrained by computational demands, dataset shift across scanners, and limited interpretability. This paper presents a prototype virtual biopsy pipeline for four-class classification of 2D brain MRI images using a lightweight convolutional neural network (CNN) and complementary radiomics-style handcrafted features. A MobileNetV2-based CNN is trained for classification, while an interpretable radiomics branch extracts eight features capturing lesion shape, intensity statistics, and gray-level co-occurrence matrix (GLCM) texture descriptors. A late fusion strategy concatenates CNN embeddings with radiomics features and trains a RandomForest classifier on the fused representation. Explainability is provided via Grad-CAM visualizations and radiomics feature importance analysis. Experiments on a public Kaggle brain tumor MRI dataset show improved validation performance for fusion relative to single-branch baselines, while robustness tests under reduced resolution and additive noise highlight sensitivity relevant to low-resource imaging conditions. The system is framed as decision support and not a substitute for clinical diagnosis or histopathology.
• Abstract（参考訳）: 専門的な神経放射線学解釈、ハイエンドMRIハードウェア、侵襲的生検が制限される低リソース臨床環境では、タイムリーな脳腫瘍の診断は依然として困難である。 ディープラーニングは脳腫瘍解析において強力なパフォーマンスを達成したが、実世界の採用は計算要求、スキャナ間のデータセットシフト、限定的な解釈可能性によって制限されている。 本稿では, 軽量畳み込みニューラルネットワーク(CNN)と補体ラジオミクス式手作り特徴を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。 MobileNetV2ベースのCNNは分類のために訓練され、解釈可能な放射能枝は8つの特徴を抽出し、病変の形状、強度統計、グレーレベル共起マトリックス(GLCM)テクスチャ記述子を抽出する。 後期融合戦略は、CNN埋め込みと放射能の特徴を結合させ、融合表現にRandomForest分類器を訓練する。 説明性はGrad-CAMビジュアライゼーションとラジオミクスの特徴分析を通じて提供される。 パブリックなKaggle脳腫瘍MRIデータセットの実験では、単一ブランチベースラインに対する融合の検証性能が向上し、解像度の低下による堅牢性テストや、低リソース画像条件に関連する付加的なノイズハイライト感度が向上した。 臨床診断や病理学の代用ではなく、意思決定支援として構成されている。

関連論文リスト

• Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
  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。
  論文  参考訳（メタデータ） (2025-12-08T07:37:30Z)
• 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)
• 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)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)

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。