論文の概要: Quantized Machine Learning Models for Medical Imaging in Low-Resource Healthcare Settings

• arxiv url: http://arxiv.org/abs/2605.19207v1
• Date: Tue, 19 May 2026 00:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.037968
• Title: Quantized Machine Learning Models for Medical Imaging in Low-Resource Healthcare Settings
• Title（参考訳）: 低リソース医療環境における医療画像のための量子機械学習モデル
• Authors: Sumanth Meenan Kanneti, Aryan Shah,
• Abstract要約: 本稿では,MRIを用いた脳腫瘍分類のためのマルチストラテジー圧縮フレームワークを提案する。 量子化を意識したトレーニング、DenseNet-101の教師から低ビットのポストトレーニング量子化を持つコンパクトなDenseNet-32の学生への知識蒸留が含まれる。 実験結果から、量子化モデルでは82.37%の精度が、82.20%の完全精度ベースラインよりも高いことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have shown strong performance in medical image analysis, but deploying them in low-resource clinical environments remains difficult due to computational, memory, and power constraints. This paper presents a multi-strategy compression framework for brain tumor classification from MRI, encompassing quantization-aware training, knowledge distillation from a DenseNet-101 teacher to a compact DenseNet-32 student with low-bit post-training quantization, and Float16 post-training quantization on a lightweight MobileNetV2 backbone. Using a multi-class brain tumor MRI dataset containing glioma, meningioma, pituitary tumors, and healthy controls, we provide full experimental validation of the MobileNetV2-based pipeline, training the classifier through a three-stage transfer learning process and applying Float16 quantization via TensorFlow Lite. The DenseNet-based distillation and quantization-aware training strategies are described as complementary compression approaches within the framework, with their complete empirical evaluation reserved for future work. Experimental results on the MobileNetV2 pipeline show that the quantized model achieves 82.37 percent validation accuracy compared to the 82.20 percent full-precision baseline, reducing model size from 35.34 MB to 5.76 MB, a 6.14x compression ratio with no meaningful accuracy loss. Per-class evaluation confirms that quantization preserves diagnostic performance uniformly across all four tumor categories. These findings demonstrate that lightweight quantized models can deliver clinically viable brain tumor screening in resource-constrained healthcare settings.
• Abstract（参考訳）: 深層学習モデルは医用画像解析において高い性能を示してきたが、計算、メモリ、電力制約のため、低リソースの臨床環境にデプロイすることは依然として困難である。 本稿では,MRIによる脳腫瘍分類のためのマルチストラテジー圧縮フレームワークについて,DenseNet-101教師から低ビット後量子化を持つDenseNet-32学生への知識蒸留,軽量なMobileNetV2バックボーン上でのFloat16ポストトレーニング量子化について述べる。 グリオーマ,髄膜腫,下垂体腫瘍,健康管理を含むマルチクラス脳腫瘍MRIデータセットを用いて,MobileNetV2ベースのパイプラインの完全な検証,3段階の転写学習プロセスによる分類器のトレーニング,TensorFlow LiteによるFloat16量子化の応用を行った。 DenseNetベースの蒸留と量子化対応のトレーニング戦略は、フレームワーク内の補完的な圧縮アプローチとして記述され、その完全な実証的評価は将来の作業に当てはまる。 MobileNetV2パイプラインの実験結果から、量子化モデルは82.37%の正精度ベースラインと比較して82.20%の精度を達成し、モデルサイズを35.34MBから5.76MBに削減した。 クラスごとの評価では、量子化は4つの腫瘍カテゴリ全てで診断性能を均一に保っていることが確認される。 これらの結果は、軽量な定量化モデルが、臨床に有効な脳腫瘍のスクリーニングを、リソースに制約のある医療環境に提供できることを示唆している。

関連論文リスト

• Brain Tumor Classification in MRI Images: A Computationally Efficient Convolutional Neural Network [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-11T21:39:24Z)
• TumorXAI: Self-Supervised Deep Learning Framework for Explainable Brain MRI Tumor Classification [0.9967735666813463]
  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。
  論文  参考訳（メタデータ） (2026-05-03T18:02:36Z)
• Analyzing Images of Blood Cells with Quantum Machine Learning Methods: Equilibrium Propagation and Variational Quantum Circuits to Detect Acute Myeloid Leukemia [0.0]
  本稿では,量子機械学習(QML)アルゴリズムが実世界の医用画像上での競合性能を実証する可能性について述べる。 血球顕微鏡画像から急性骨髄性白血病(AML)の自動検出にバックプロパゲーションを用いないエネルギーベース学習法の評価を行った。 AML-Cytomorphologyデータセット(18,365のエキスパート注釈付き画像)の限られた部分集合(クラス毎50-250サンプル)を用いて、量子法は古典的なCNNよりも12-15%低い性能しか達成できない。
  論文  参考訳（メタデータ） (2026-01-26T17:36:19Z)
• Application of Quantum Convolutional Neural Networks for MRI-Based Brain Tumor Detection and Classification [0.0]
  この研究では、MRI画像を用いた脳腫瘍分類への量子畳み込みニューラルネットワーク(QCNN)の適用について検討した。 データは80%のトレーニングと20%のテストに分割され、オーバーサンプリング技術がクラス不均衡に対応している。 バイナリモデルは88%の精度でデータバランシング後の89%に改善され、マルチクラスモデルは52%の精度でオーバーサンプリング後の62%に向上した。
  論文  参考訳（メタデータ） (2025-08-28T01:14:34Z)
• 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)
• SQuAT: Sharpness- and Quantization-Aware Training for BERT [43.049102196902844]
  シャープネスと量子化アウェアトレーニング(SQuAT)を提案する。 提案手法は,2,3,4ビット条件下で,最先端の量子化BERTモデルよりも1%向上する。 また, シャープネスの測定実験により, 他の量子化法と比較して, より平坦な最小値が得られることが示唆された。
  論文  参考訳（メタデータ） (2022-10-13T16:52:19Z)
• 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)

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。