論文の概要: Do Synthetic Brain MRIs Reliably Improve Tumour Classification? A StyleGAN2-ADA Class-Plane Augmentation Study on BRISC 2025

• arxiv url: http://arxiv.org/abs/2605.23094v1
• Date: Thu, 21 May 2026 23:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.129916
• Title: Do Synthetic Brain MRIs Reliably Improve Tumour Classification? A StyleGAN2-ADA Class-Plane Augmentation Study on BRISC 2025
• Title（参考訳）: 合成脳MRIは腫瘍分類を確実に改善するか? : BRISC 2025のスタイルGAN2-ADAクラスプレーン増強研究
• Authors: José Rafael Noriega Cedeño,
• Abstract要約: ここでの増補とは、既存の画像の幾何学的・測光的変換ではなく、合成補足を意味する。 スタイルGAN2-ADA ジェネレータは制限された BRISC 2025 パーティションでトレーニングされ、InceptionV3 の特徴空間フィルタリングによる出力がホールドアウト腫瘍の分類を改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative augmentation is often proposed as a remedy for small medical-image datasets, but synthetic images are only useful when they improve downstream task performance. "Augmentation" here means synthetic supplementation: GAN-generated samples added to the real training pool, not geometric or photometric transforms of existing images. Twelve class-plane StyleGAN2-ADA generators were trained on constrained BRISC 2025 partitions to test whether their output, with or without InceptionV3 feature-space filtering, improves held-out tumour classification across three classifier families: a random forest (RF) on InceptionV3 features, a compact two-headed convolutional neural network (CNN), and MobileViTV2, a mobile hybrid convolutional-transformer. Each was evaluated at 1:1 and 1:2 real-to-synthetic ratios. An independent GPT-5.5 blind test placed gated real-versus-synthetic discrimination at 57.73% (95% CI: 54.48--60.92%) on the model-legible subset -- modestly above chance. The RF classifier did not benefit from the synthetic MRIs. The CNN showed consistent mean gains that did not survive Holm correction. MobileViTV2 showed the clearest benefit: filtered 1:1 augmentation improved tumour classification accuracy by 1.02% absolute (95% CI: 0.54--1.54%; Holm-corrected p = 0.0104). A secondary efficiency analysis found that every augmented CNN condition selected its checkpoint 42--64% earlier than baseline, while compute-matched MobileViTV2 runs reached selection after 50--67% fewer real-data epochs. Overall, augmentation utility was found to be architecture- and ratio-dependent, not guaranteed by visual fidelity alone.
• Abstract（参考訳）: 生成的拡張は、小さな医療画像データセットの治療法としてしばしば提案されるが、合成画像は、下流タスクのパフォーマンスを改善する場合にのみ有用である。 ここでのAugmentationは合成補充を意味する: 既存の画像の幾何学的・測光的変換ではなく、実際のトレーニングプールにGAN生成サンプルを付加する。 12個のクラスプレーンのStyleGAN2-ADAジェネレータが制限されたBRISC 2025パーティションでトレーニングされ、インセプションV3の特徴空間フィルタリングにより、インセプションV3特徴に対するランダムフォレスト(RF)、コンパクトな2頭畳み込みニューラルネットワーク(CNN)、移動型ハイブリッド畳み込み変換器であるMobileViTV2の3つの分類群にわたる腫瘍分類が改善された。 実合成比は1:1と1:2であった。 独立したGPT-5.5ブラインドテストでは、モデルレガシブルサブセットの57.73%(95% CI: 54.48--60.92%)で、RF分類器はわずかに上回った。RF分類器は、合成MRIの恩恵を受けなかった。CNNは、ホルム補正を生き残らない一貫した平均ゲインを示した。MobileViTV2は、最も明確な利点を示した:フィルタ1:1増強により腫瘍分類精度が1.02%向上した(95% CI: 0.54-1.54%;ホルム補正p = 0.0104)。 二次効率分析の結果、拡張CNN条件はベースラインよりも42～64%早くチェックポイントを選択し、計算マッチングされたMobileViTV2は50～67%少ない実データエポックで選択された。 全体として、拡張ユーティリティはアーキテクチャに依存しており、視覚的忠実性だけでは保証されていない。

関連論文リスト

• CNN-ViT Fusion with Adaptive Attention Gate for Brain Tumor MRI Classification: A Hybrid Deep Learning Model [0.0]
  我々は、SqueezeNetスタイルのCNNブランチとMobileViTスタイルのグローバルトランスフォーマーブランチを組み合わせた新しいハイブリッドアーキテクチャを提案する。 ゲートは、各ブランチの重み付けを動的に学習し、局所的およびグローバルな表現の文脈に敏感なマージを可能にする。
  論文  参考訳（メタデータ） (2026-04-25T04:36:33Z)
• Interpretable Prostate Cancer Detection using a Small Cohort of MRI Images [1.0505187362647217]
  我々は162T2強調画像の小さなデータセットを用いて,自動がん検出のための解釈可能なフレームワークを開発した。 ResNet18は111Mパラメータで最高の性能(90.9%の精度、95.2%の感度、AUC 0.905)を達成した。 22例の読者調査では、5人の放射線学者が平均感度67.5%を達成し、AIモデルでは95.2%だった。
  論文  参考訳（メタデータ） (2026-03-19T03:40:07Z)
• A Computer Vision Hybrid Approach: CNN and Transformer Models for Accurate Alzheimer's Detection from Brain MRI Scans [0.0]
  CNNアーキテクチャは強い性能を保ち、ResNet50は98.83%の精度を達成した。 トランスフォーマーモデルは競争上の一般化能力を示し、ViTは95.38%で最高精度を達成した。 提案したEvan_V2ハイブリッドモデルは、10のCNNとTransformerアーキテクチャの出力を機能レベルの融合によって統合し、99.99%の精度、0.9989 F1スコア、ROC AUCで最高のパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2026-01-21T17:19:18Z)
• ZACH-ViT: A Zero-Token Vision Transformer with ShuffleStrides Data Augmentation for Robust Lung Ultrasound Classification [0.7495002546468839]
  本稿では,ZACH-ViT (Zero- parameter Adaptive Compact Hierarchical Vision Transformer, 0.25 M-Hierarchical Vision Transformer)を導入する。 ZACH-ViTは、95人の重病患者の380のLUSビデオで、9つの最先端のベースラインに対して評価された。 ROC-AUC (0.80と0.79) は感度のバランス(0.60)と特異性(0.91)で最高評価と試験を達成し、全ての競合するモデルは簡単な分類に崩壊した。
  論文  参考訳（メタデータ） (2025-10-20T15:26:38Z)
• MobileDenseAttn:A Dual-Stream Architecture for Accurate and Interpretable Brain Tumor Detection [0.0]
  我々はMobileNetV2とDenseNet201の融合モデルであるMobileDenseAttnを紹介する。 MobileDenseAttnは、グリオーマ、髄膜腫、下垂体腫瘍、正常サンプルを表す6,020個のMRIスキャンのデータセットで訓練されている。 訓練精度99.75%、試験精度98.35%、安定したF1スコア0.9835を提供する。
  論文  参考訳（メタデータ） (2025-08-22T13:24:38Z)
• 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)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。