論文の概要: Brain Tumor Classification in MRI Images: A Computationally Efficient Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2605.12560v1
• Date: Mon, 11 May 2026 21:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.573438
• Title: Brain Tumor Classification in MRI Images: A Computationally Efficient Convolutional Neural Network
• Title（参考訳）: MRI画像における脳腫瘍の分類 : 計算効率の良い畳み込みニューラルネットワーク
• Authors: Md Fahimul Kabir Chowdhury, Jannatul Ferdous,
• Abstract要約: マルチクラス脳腫瘍分類のための軽量かつ高性能な畳み込みニューラルネットワーク(CNN)を提案する。 このモデルは、FigshareとKaggleの2つの公開データセットで厳格に評価された。 提案手法は計算オーバーヘッドを減らし,優れた性能を示した。
• 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: Improving patient outcomes depends on the prompt and accurate diagnosis of brain tumors, but manual MRI scan analysis is still time-consuming and unreliable. Although deep learning has shown promise, many of the models that are now in use are computationally intensive and have difficulty handling the intrinsic complexity and variety of different types of brain tumors. In this work, we propose a lightweight yet high-performing Convolutional Neural Network (CNN) for multi-class brain tumor classification, employing MRI images to target gliomas, meningiomas, pituitary tumors, and healthy (no tumor) instances. The model was rigorously evaluated on two publicly accessible datasets from Figshare and Kaggle. Leveraging efficient feature extraction and optimized training strategies, our CNN achieved classification accuracies of 99.03% and 99.28%, along with ROC scores of 99.88% and 99.94% on Dataset 1 and Dataset 2, respectively-all while utilizing significantly fewer parameters than popular pre-trained architectures. In contrast to cutting-edge models like DenseNet201, MobileNetV2, VGG19, Xception, InceptionV3, and ResNet50, our approach consistently demonstrated superior performance with reduced computational overhead. These findings highlight the potential of the proposed model as a practical and reliable diagnostic aid in clinical environments.
• Abstract（参考訳）: 患者の結果を改善するには、脳腫瘍の迅速かつ正確な診断が必要だが、手動MRIによる解析はまだ時間がかかり、信頼性が低い。 ディープラーニングは将来性を示しているが、現在使われているモデルの多くは計算集約的であり、本質的な複雑さや様々な種類の脳腫瘍を扱うのが困難である。 そこで本研究では, グリオーマ, 髄膜腫, 下垂体腫瘍, 正常(腫瘍なし)の症例を対象としたMRI画像を用いて, マルチクラス脳腫瘍分類のための軽量で高性能な畳み込みニューラルネットワーク(CNN)を提案する。 このモデルは、FigshareとKaggleの2つの公開データセットで厳格に評価された。 効率的な特徴抽出と最適化されたトレーニング戦略を活用することで、私たちのCNNは99.03%と99.28%の分類精度を達成し、それぞれデータセット1とデータセット2のROCスコア99.88%と99.94%を達成しました。 DenseNet201、MobileNetV2、VGG19、Xception、InceptionV3、ResNet50といった最先端モデルとは対照的に、我々の手法は計算オーバーヘッドを減らして優れた性能を示した。 これらの知見は,臨床環境における実用的かつ信頼性の高い診断支援としてのモデルの可能性を明らかにするものである。

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)
• Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
  脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。 本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。 我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
  論文  参考訳（メタデータ） (2024-10-31T07:28:06Z)
• 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)
• 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)
• 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)
• Brain Tumor Detection and Classification Using a New Evolutionary Convolutional Neural Network [18.497065020090062]
  この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。 深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
  論文  参考訳（メタデータ） (2022-04-26T13:20:42Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)

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。