論文の概要: Diffusion-Based Feature Denoising and Using NNMF for Robust Brain Tumor Classification

• arxiv url: http://arxiv.org/abs/2603.13182v1
• Date: Fri, 13 Mar 2026 17:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.213556
• Title: Diffusion-Based Feature Denoising and Using NNMF for Robust Brain Tumor Classification
• Title（参考訳）: びまん性脳腫瘍の分類におけるNNMFを用いた拡散型特徴評価
• Authors: Hiba Adil Al-kharsan, Róbert Rajkó,
• Abstract要約: 本研究では,Non-Negative Matrix Factorization (NNMF) と軽量畳み込みニューラルネットワーク (CNN) を組み合わせた脳腫瘍分類フレームワークを提案する。 実験の結果, 提案手法は, 対向摂動に対する頑健さを著しく向上させながら, 競争的分類性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain tumor classification from magnetic resonance imaging, which is also known as MRI, plays a sensitive role in computer-assisted diagnosis systems. In recent years, deep learning models have achieved high classification accuracy. However, their sensitivity to adversarial perturbations has become an important reliability concern in medical applications. This study suggests a robust brain tumor classification framework that combines Non-Negative Matrix Factorization (NNMF or NMF), lightweight convolutional neural networks (CNNs), and diffusion-based feature purification. Initially, MRI images are preprocessed and converted into a non-negative data matrix, from which compact and interpretable NNMF feature representations are extracted. Statistical metrics, including AUC, Cohen's d, and p-values, are used to rank and choose the most discriminative components. Then, a lightweight CNN classifier is trained directly on the selected feature groups. To improve adversarial robustness, a diffusion-based feature-space purification module is introduced. A forward noise method followed by a learned denoiser network is used before classification. System performance is estimated using both clean accuracy and robust accuracy under powerful adversarial attacks created by AutoAttack. The experimental results show that the proposed framework achieves competitive classification performance while significantly enhancing robustness against adversarial perturbations.The findings presuppose that combining interpretable NNMF-based representations with a lightweight deep approach and diffusion-based defense technique supplies an effective and reliable solution for medical image classification under adversarial conditions.
• Abstract（参考訳）: MRIとも呼ばれる磁気共鳴画像からの脳腫瘍の分類は、コンピュータ支援診断システムにおいてセンシティブな役割を担っている。 近年,ディープラーニングモデルは高い分類精度を実現している。 しかし, 対人摂動に対する感受性は, 医療応用において重要な信頼性の懸念となっている。 本研究では,Non-Negative Matrix Factorization (NNMF, NMF) と軽量畳み込みニューラルネットワーク (CNN) を組み合わせた脳腫瘍分類フレームワークを提案する。 当初、MRI画像は前処理され、非負のデータ行列に変換され、コンパクトかつ解釈可能なNNMF特徴表現が抽出される。 AUC、コーエンのd、p値などの統計指標は、最も識別性の高い成分のランク付けと選択に使用される。 そして、選択した特徴群に基づいて軽量CNN分類器を直接訓練する。 対向ロバスト性を改善するため,拡散型特徴空間浄化モジュールを導入した。 フォワードノイズ法と学習されたデノイザネットワークは、分類の前に使用される。 システム性能はAutoAttackによる強力な敵攻撃下でのクリーンな精度とロバストな精度の両方を用いて推定される。 実験により,提案手法は対向的摂動に対する堅牢性を著しく向上させつつ,競争的分類性能を向上することを示す。この結果は,解釈可能なNNMFに基づく表現と,軽量な深層アプローチと拡散型防御技術を組み合わせることで,対向的条件下での医用画像分類に有効かつ信頼性の高いソリューションが提供されることを示唆している。

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)
• A Confounding Factors-Inhibition Adversarial Learning Framework for Multi-site fMRI Mental Disorder Identification [22.749962294853187]
  本稿では,fMRIに基づく精神障害検出のための新しい多地点対向学習ネットワーク(MSalNET)を提案する。 提案手法は自閉症脳画像データ交換(ABIDE)とADHD-200の2つのマルチサイトfMRIデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-04-12T10:58:19Z)
• Revisiting Medical Image Retrieval via Knowledge Consolidation [46.6989555659494]
  本稿では,階層的特徴と機能に関する知識を集約する新しい手法を提案する。 本稿では,Depth-aware Representation Fusion (DaRF)とStructure-aware Contrastive Hashing (SCH)を紹介する。 解剖学的放射線学データセットの平均精度は5.6～38.9%向上した。
  論文  参考訳（メタデータ） (2025-03-12T13:16:42Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• A Novel Solution of an Elastic Net Regularization for Dementia Knowledge Discovery using Deep Learning [10.839925851203786]
  本稿では,Deep Learning Architecture による分類の精度の向上と処理時間を短縮することを目的とする。 提案システムは,分類と予測の精度を高めるために,畳み込みニューラルネットワーク(CNN)で構成されている。 さらに,提案手法は,平均で5%の分類精度を向上し,平均で3040秒の処理時間を短縮した。
  論文  参考訳（メタデータ） (2021-08-21T11:53:25Z)
• Computational Intelligence Approach to Improve the Classification Accuracy of Brain Neoplasm in MRI Data [8.980876474818153]
  本報告では、MRIデータにおける脳新生検出の2つの改善について述べる。 MRIデータにおける関心領域を改善するための高度な前処理技術を提案する。 特徴抽出にCNN、分類にSVM(Support Vector Machine)を使用したハイブリッド技術も提案されている。
  論文  参考訳（メタデータ） (2021-01-24T06:45:26Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。