論文の概要: OkanNet: A Lightweight Deep Learning Architecture for Classification of Brain Tumor from MRI Images

• arxiv url: http://arxiv.org/abs/2604.01264v1
• Date: Wed, 01 Apr 2026 13:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.658839
• Title: OkanNet: A Lightweight Deep Learning Architecture for Classification of Brain Tumor from MRI Images
• Title（参考訳）: OkanNet:MRI画像から脳腫瘍を分類する軽量ディープラーニングアーキテクチャ
• Authors: Okan Uçar, Murat Kurt,
• Abstract要約: 2つの異なるDeep Learningアプローチを開発し、脳腫瘍の自動検出と分類のために分析した。 合計7,023ドルのMRI画像を含む拡張データセットで実施された実験では、Transfer LearningベースのResNet-50モデルの方が優れた分類性能を示した。 カスタムのOkanNetアーキテクチャは88.10%の精度に達したが、計算能力に制限のあるモバイルおよび組み込みシステムにとって強力な代替品であることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging techniques, especially Magnetic Resonance Imaging (MRI), are accepted as the gold standard in the diagnosis and treatment planning of neurological diseases. However, the manual analysis of MRI images is a time-consuming process for radiologists and is prone to human error due to fatigue. In this study, two different Deep Learning approaches were developed and analyzed comparatively for the automatic detection and classification of brain tumors (Glioma, Meningioma, Pituitary, and No Tumor). In the first approach, a custom Convolutional Neural Network (CNN) architecture named "OkanNet", which has a low computational cost and fast training time, was designed from scratch. In the second approach, the Transfer Learning method was applied using the 50-layer ResNet-50 [1] architecture, pre-trained on the ImageNet dataset. In experiments conducted on an extended dataset compiled by Masoud Nickparvar containing a total of $7,023$ MRI images, the Transfer Learning-based ResNet-50 model exhibited superior classification performance, achieving $96.49\%$ Accuracy and $0.963$ Precision. In contrast, the custom OkanNet architecture reached an accuracy rate of $88.10\%$; however, it proved to be a strong alternative for mobile and embedded systems with limited computational power by yielding results approximately $3.2$ times faster ($311$ seconds) than ResNet-50 in terms of training time. This study demonstrates the trade-off between model depth and computational efficiency in medical image analysis through experimental data.
• Abstract（参考訳）: 医学的イメージング技術、特にMRIは、神経疾患の診断と治療計画において、ゴールドスタンダードとして受け入れられている。 しかし、MRI画像の手動解析は、放射線技師にとって時間を要するプロセスであり、疲労によるヒューマンエラーの傾向にある。 本研究では,脳腫瘍(Glioma, Meningioma, Pituitary, No tumor)の自動検出と分類のための2つの異なるDeep Learningアプローチを開発し,比較検討した。 最初のアプローチでは、計算コストが低く、トレーニング時間が速い独自の畳み込みニューラルネットワーク(CNN)アーキテクチャである"OkanNet"をゼロから設計した。 第2のアプローチでは、ImageNetデータセットに事前トレーニングされた50層ResNet-50 [1]アーキテクチャを用いて、Transfer Learning手法を適用した。 Masoud Nickparvar氏によってコンパイルされた7,023ドルのMRI画像を含む拡張データセットで実施された実験では、Transfer LearningベースのResNet-50モデルは優れた分類性能を示し、96.49\%の精度と0.963ドルの精度を達成した。 対照的に、カスタムのOkanNetアーキテクチャは8.10$%の精度に達したが、トレーニング時間においてResNet-50よりも約3.2$(311$秒)高速な結果を得ることで、計算能力に制限のあるモバイルおよび組み込みシステムにとって強力な代替手段であることが判明した。 本研究では,実験データを用いた医用画像解析におけるモデル深度と計算効率のトレードオフを示す。

関連論文リスト

• Deep Brain Net: An Optimized Deep Learning Model for Brain tumor Detection in MRI Images Using EfficientNetB0 and ResNet50 with Transfer Learning [0.0]
  本稿では,脳腫瘍検出性能の最適化を目的とした新しい深層学習システムであるDeep Brain Netを提案する。 このモデルは、EfficientNetB0とResNet50の2つの高度なニューラルネットワークアーキテクチャの長所を統合する。 公開されているMRIデータセットで実施された大規模な実験により、Deep Brain Netは、分類精度、精度、リコール、計算効率の点で、最先端の手法の既存の状態を一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-07-09T16:42:26Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• An Explainable Deep Learning Framework for Brain Stroke and Tumor Progression via MRI Interpretation [0.0]
  本稿では,MRI画像から脳腫瘍と脳卒中を同定する深層学習システムについて述べる。 畳み込みニューラルネットワークであるMobileNet V2とResNet-50の2つの画期的な戦略を実行しました。 トレーニング精度は93%に達し、検証精度は88%まで向上した。
  論文  参考訳（メタデータ） (2025-06-10T18:19:56Z)
• 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)
• Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images [1.534667887016089]
  脳腫瘍はますます広まり、脳内の異常な組織が制御不能に広がるのが特徴である。 本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T19:13:04Z)
• 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)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Predictive modeling of brain tumor: A Deep learning approach [0.0]
  本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。 実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
  論文  参考訳（メタデータ） (2019-11-06T09:27:48Z)

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。