論文の概要: Optimized Weighted Voting System for Brain Tumor Classification Using MRI Images

• arxiv url: http://arxiv.org/abs/2603.28357v1
• Date: Mon, 30 Mar 2026 12:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.385245
• Title: Optimized Weighted Voting System for Brain Tumor Classification Using MRI Images
• Title（参考訳）: MRI画像を用いた脳腫瘍分類のための重み付き投票システム
• Authors: Ha Anh Vu,
• Abstract要約: 本稿では,ディープラーニングと従来の機械学習モデルを組み合わせた重み付きアンサンブル学習手法を提案する。 重み付けされた投票機構は、より優れた個人精度を持つモデルに高い影響力を与え、堅牢な意思決定を保証する。 FigshareとKaggleのMRIデータセットを用いた実験により,提案手法が最先端の精度を実現することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The accurate classification of brain tumors from MRI scans is essential for effective diagnosis and treatment planning. This paper presents a weighted ensemble learning approach that combines deep learning and traditional machine learning models to improve classification performance. The proposed system integrates multiple classifiers, including ResNet101, DenseNet121, Xception, CNN-MRI, and ResNet50 with edge-enhanced images, SVM, and KNN with HOG features. A weighted voting mechanism assigns higher influence to models with better individual accuracy, ensuring robust decision-making. Image processing techniques such as Balance Contrast Enhancement, K-means clustering, and Canny edge detection are applied to enhance feature extraction. Experimental evaluations on the Figshare and Kaggle MRI datasets demonstrate that the proposed method achieves state-of-the-art accuracy, outperforming existing models. These findings highlight the potential of ensemble-based learning for improving brain tumor classification, offering a reliable and scalable framework for medical image analysis.
• Abstract（参考訳）: MRIスキャンから脳腫瘍の正確な分類は、効果的な診断と治療計画に不可欠である。 本稿では,ディープラーニングと従来の機械学習モデルを組み合わせた重み付きアンサンブル学習手法を提案する。 提案システムは,ResNet101,DenseNet121,Xception,CNN-MRI,ResNet50などの複数の分類器をエッジ強調画像,SVM,HOG機能を備えたKNNと統合する。 重み付けされた投票機構は、より優れた個人精度を持つモデルに高い影響力を与え、堅牢な意思決定を保証する。 特徴抽出を強化するために、バランスコントラスト強化、K平均クラスタリング、Cannyエッジ検出などの画像処理技術を適用した。 Figshare と Kaggle の MRI データセットを用いた実験により,提案手法が最先端の精度を実現し,既存モデルより優れていることを示す。 これらの知見は、脳腫瘍分類を改善するためのアンサンブルベースの学習の可能性を強調し、医療画像解析のための信頼性とスケーラブルなフレームワークを提供する。

関連論文リスト

• Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset [0.8374077003751697]
  色マップに基づく特徴表現によって強化された視覚変換器(ViT)に基づく深層学習フレームワークを提案し,脳腫瘍の分類性能を向上させる。 BRISC2025データセットは、グリオーマ、髄膜腫、下垂体腫瘍、非腫瘍の4つのクラスを含む。 提案手法は,ベースライン畳み込みニューラルネットワークモデルよりも優れた98.90%の分類精度を実現する。
  論文  参考訳（メタデータ） (2026-03-22T13:46:05Z)
• MRI-Based Brain Tumor Detection through an Explainable EfficientNetV2 and MLP-Mixer-Attention Architecture [0.0]
  脳腫瘍は、死亡率が高いため早期診断を必要とする深刻な健康問題である。 自動診断システムの必要性は日々増している。 脳腫瘍の分類のための頑健で説明可能なディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-08T14:08:21Z)
• Attention Pooling Enhances NCA-based Classification of Microscopy Images [45.60974312463409]
  我々は、特徴抽出を強化し、分類精度を向上させるために、ニューラルセルオートマタとアテンションプーリングを統合した。 8種類の顕微鏡画像データセットを用いて本手法の評価を行い,提案手法が既存のNAA法より有意に優れていることを示す。 本結果は,NAAモデルが説明可能な画像分類の代替となる可能性を強調した。
  論文  参考訳（メタデータ） (2025-08-17T10:46:53Z)
• Hybrid Ensemble Approaches: Optimal Deep Feature Fusion and Hyperparameter-Tuned Classifier Ensembling for Enhanced Brain Tumor Classification [24.801687550103217]
  本研究では、特徴抽出のための組立事前学習(DL)モデルと、脳腫瘍を効率的に分類するための組立微調整機械学習(ML)モデルからなる、新しい二重組立フレームワークを提案する。 具体的には,脳MRIから深部特徴を抽出するために,様々なトレーニング済みの深部畳み込みニューラルネットワークと視覚トランスフォーマーネットワークを活用することで,広範な前処理と拡張,伝達学習の概念を含む。
  論文  参考訳（メタデータ） (2025-07-16T12:22:11Z)
• Enhancing Orthopox Image Classification Using Hybrid Machine Learning and Deep Learning Models [40.325359811289445]
  本稿では、機械学習モデルと事前訓練されたディープラーニングモデルを組み合わせて、拡張データを必要とせずに、深い特徴表現を抽出する。 その結果, この特徴抽出法は, 最先端技術における他の手法と組み合わせることで, 優れた分類結果が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T11:52:07Z)
• 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 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)
• An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
  脳腫瘍の不正確な同定は、寿命を著しく低下させる。 本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment [38.936005220639316]
  軽度認知障害 (MCI) とアルツハイマー病 (AD) を評価するために, 高次プールを用いた新しいテンソル化GANを提案する。 GAN(THS-GAN)は,MRI画像によるAD診断の分類を行う最初の試みである。
  論文  参考訳（メタデータ） (2020-08-03T10:04:09Z)

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。