Fugu-MT 論文翻訳(概要): Bridging Topology and Deep Representation Learning: A TDA-ViT Fusion Model for Four-Class Brain Tumor Classification

論文の概要: Bridging Topology and Deep Representation Learning: A TDA-ViT Fusion Model for Four-Class Brain Tumor Classification

arxiv url: http://arxiv.org/abs/2606.00927v1
Date: Sat, 30 May 2026 23:28:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.982015
Title: Bridging Topology and Deep Representation Learning: A TDA-ViT Fusion Model for Four-Class Brain Tumor Classification
Title（参考訳）: ブリッジングトポロジーと深部表現学習:4クラス脳腫瘍分類のためのTDA-ViT融合モデル
Abstract要約: 本研究では,4クラス脳腫瘍分類のためのトポロジカルデータ解析機能と事前訓練された視覚変換器表現を組み合わせた融合フレームワークを提案する。提案されたTDA-ViT融合モデルは精度99.10%、精度99.27%、リコール99.15%、F1スコア99.21%、AUC99.98%を達成する。
参考スコア（独自算出の注目度）: 0.8374077003751697
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate brain tumor classification from magnetic resonance imaging (MRI) is a key requirement for early diagnosis and clinical decision-making. Vision Transformers (ViTs) have shown strong performance in medical image analysis by learning global contextual representations, but they often fail to capture intrinsic structural and topological patterns present in tumor regions. To address this limitation, we propose a fusion framework that combines Topological Data Analysis (TDA) features with pretrained Vision Transformer representations for four-class brain tumor classification. In the proposed method, TDA is used to extract complementary topological descriptors that capture geometric structure, connectivity, and shape information from MRI images. In parallel, a pretrained ViT model learns high-level semantic representations from the same images. These two feature spaces are then fused to form a unified and more discriminative representation for classification. The model is evaluated on the BRISC2025 dataset, which contains four brain tumor classes: glioma, meningioma, pituitary tumor, and non-tumor cases. Experimental results show that combining topological and transformer-based features significantly improves performance compared to using either approach alone. The proposed TDA-ViT fusion model achieves an accuracy of 99.10%, precision of 99.27%, recall of 99.15%, F1-score of 99.21%, and an AUC of 99.98%. It also outperforms several state-of-the-art models, including ResNet50, ResNet101, EfficientNetB2, and standalone Vision Transformers. These results demonstrate that topological features provide valuable complementary information that enhances deep representation learning, leading to a robust and highly accurate framework for automated brain tumor classification.
Abstract（参考訳）: MRI(MRI)による脳腫瘍の正確な分類は早期診断と臨床的意思決定の鍵となる要件である。視覚トランスフォーマー(ViTs)は、グローバルな文脈表現を学習することで、医用画像解析において強い性能を示すが、腫瘍領域に存在する内在的な構造やトポロジカルなパターンを捉えることができないことが多い。この制限に対処するため,4クラス脳腫瘍分類のためのトポロジカルデータ解析(TDA)機能と事前訓練された視覚変換器表現を組み合わせた融合フレームワークを提案する。提案手法では,MRI画像から幾何学的構造,接続性,形状情報をキャプチャする補完的トポロジカル記述子を抽出するためにTDAを用いる。並行して、事前訓練されたViTモデルは、同じ画像から高レベルなセマンティック表現を学習する。これら2つの特徴空間は融合され、分類のための統一的でより差別的な表現を形成する。このモデルは、グリオーマ、髄膜腫、下垂体腫瘍、非腫瘍の4つの脳腫瘍クラスを含むBRISC2025データセットで評価されている。実験結果から, トポロジカルな特徴と変圧器的な特徴を組み合わせることで, いずれのアプローチも使用した場合に比べ, 性能が著しく向上することがわかった。提案されたTDA-ViT融合モデルは精度99.10%、精度99.27%、リコール99.15%、F1スコア99.21%、AUC99.98%を達成する。また、ResNet50、ResNet101、EfficientNetB2、スタンドアロンのVision Transformersなど、最先端モデルよりも優れている。これらの結果は、トポロジカルな特徴が、深層表現学習を促進する貴重な補完情報を提供し、脳腫瘍の自動分類のための堅牢で高精度な枠組みをもたらすことを示している。

関連論文リスト

Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset [0.8374077003751697]
色マップに基づく特徴表現によって強化された視覚変換器(ViT)に基づく深層学習フレームワークを提案し,脳腫瘍の分類性能を向上させる。 BRISC2025データセットは、グリオーマ、髄膜腫、下垂体腫瘍、非腫瘍の4つのクラスを含む。提案手法は,ベースライン畳み込みニューラルネットワークモデルよりも優れた98.90%の分類精度を実現する。
論文参考訳（メタデータ） (2026-03-22T13:46:05Z)
Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文参考訳（メタデータ） (2026-03-08T09:54:08Z)
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)
Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
論文参考訳（メタデータ） (2023-09-14T15:09:35Z)
Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文参考訳（メタデータ） (2023-08-14T15:29:32Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
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)
Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
論文参考訳（メタデータ） (2022-08-19T12:06:46Z)
CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。 10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。 CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
論文参考訳（メタデータ） (2022-07-15T09:35:29Z)
A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
論文参考訳（メタデータ） (2022-01-14T10:24:47Z)
GasHis-Transformer: A Multi-scale Visual Transformer Approach for Gastric Histopathology Image Classification [30.497184157710873]
本稿では,胃病理組織像分類(GHIC)タスクのためのマルチスケールビジュアルトランスフォーマモデル(GasHis-Transformer)を提案する。 GasHis-Transformer モデルは,グローバル情報モジュール (GIM) とローカル情報モジュール (LIM) の2つの基本モジュール上に構築されている。
論文参考訳（メタデータ） (2021-04-29T17:46:00Z)

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。