論文の概要: TumorXAI: Self-Supervised Deep Learning Framework for Explainable Brain MRI Tumor Classification

• arxiv url: http://arxiv.org/abs/2605.01999v1
• Date: Sun, 03 May 2026 18:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.037759
• Title: TumorXAI: Self-Supervised Deep Learning Framework for Explainable Brain MRI Tumor Classification
• Title（参考訳）: tumorXAI: 説明可能な脳MRI腫瘍分類のための自己監督型ディープラーニングフレームワーク
• Authors: Abrar Hossain Zahin, Amit Kumar Saha, Tanvir Mridha, Saifur Rahman, Jannatul Ferdous Prome, Raima Husna, Israt Jahan, Ahmed Wasif Reza,
• Abstract要約: われわれは,マルチクラス脳腫瘍分類研究に自己教師あり学習(SSL)を用いる。 我々は,SimCLR,BYOL,DINO,Moco v3の4つのSSLフレームワークを,17種類の異なる4,448個のMRIで評価した。 その結果、ラベルが限定されている場合、SSLに制限されたモデルは、F1スコア、リコール、精度、精度の点で教師付きベースラインを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.9967735666813463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying brain tumors using magnetic resonance imaging (MRI) is crucial for early diagnosis and treatment; however, tumor heterogeneity and a dearth of annotated datasets restrict the use of supervised deep learning approaches. In this work, we use self-supervised learning (SSL) to study multi-class brain tumor classification. Using a ResNet-50 backbone, we evaluate four SSL frameworks including SimCLR, BYOL, DINO, and Moco v3 on a publicly available dataset of 4,448 MRIs with 17 distinct tumor types. On the dataset, SimCLR achieved 99.64% accuracy, 99.64% precision, 99.64% recall, and 99.64% F1-score. The workflow includes preprocessing, fine-tuning, linear evaluation, and SSL pretraining with data augmentations. Results show that, when labels are limited, SSL-pretrained models outperform supervised baselines in terms of F1-score, recall, accuracy, and precision. Additionally, by providing visual insights into model decisions, Explainable AI techniques (Grad-CAM, Grad-CAM++, EigenCAM) enhance interpretability. These results demonstrate SSL's scalability and dependability in diagnosing brain tumors from unlabeled medical data.
• Abstract（参考訳）: MRI(MRI)を用いた脳腫瘍の分類は早期診断と治療に重要であるが、腫瘍の不均一性と注釈付きデータセットの変形は教師付きディープラーニングアプローチの使用を制限する。 本研究では,マルチクラス脳腫瘍分類の研究に自己教師付き学習(SSL)を用いる。 ResNet-50のバックボーンを用いて,SimCLR,BYOL,DINO,Moco v3の4つのSSLフレームワークを評価する。 データセットでは、SimCLRは99.64%の精度、99.64%の精度、99.64%のリコール、99.64%のF1スコアを達成した。 ワークフローには、事前処理、微調整、線形評価、データ拡張によるSSL事前トレーニングが含まれる。 その結果、ラベルが限定されている場合、SSLに制限されたモデルは、F1スコア、リコール、精度、精度の点で教師付きベースラインを上回っていることがわかった。 さらに、モデル決定に関する視覚的な洞察を提供することで、説明可能なAI技術(Grad-CAM、Grad-CAM++、EigenCAM)は解釈可能性を高める。 これらの結果は、未ラベルの医療データから脳腫瘍の診断におけるSSLのスケーラビリティと信頼性を示している。

関連論文リスト

• Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
  非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。 正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。 本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
  論文  参考訳（メタデータ） (2025-10-17T14:26:30Z)
• 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)
• Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI [0.7330217643497285]
  本稿では,解剖ラベルの限られたデータセットから学習するSAP(Supervised Anatomical Pretraining)法を提案する。 SAPはベースラインモデルとSSLプリトレーニングされたモデルの両方で大幅に優れており、正規化表面Diceは0.76、Dice係数は0.64である。 1ml以上の臨床関連病変のみを考慮すると、SAPは32例中28例において100%の感度で検出できる。
  論文  参考訳（メタデータ） (2025-06-24T12:59:44Z)
• 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)
• 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)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• A Transfer Learning Based Active Learning Framework for Brain Tumor Classification [10.437969366798411]
  そこで我々は,アノテーションのコストを削減するために,新しい移動学習に基づくアクティブラーニングフレームワークを提案する。 我々は,203症例のMRIトレーニングデータセットを用いて,2次元スライス法を用いてモデルを訓練・微調整する。 提案手法により,66例の個別検査データセットを用いて,AUC(Area Under Receiver Operating Characteristics)曲線の82.89%を達成した。
  論文  参考訳（メタデータ） (2020-11-16T21:11:40Z)

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。