論文の概要: GloResNet: A lightweight 3D CNN with global topological features for preterm brain injury prediction

• arxiv url: http://arxiv.org/abs/2606.02498v1
• Date: Mon, 01 Jun 2026 17:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.525765
• Title: GloResNet: A lightweight 3D CNN with global topological features for preterm brain injury prediction
• Title（参考訳）: GloResNet: 短期脳損傷予測のためのグローバルトポロジカル特徴を備えた軽量3D CNN
• Authors: Boyu Yuan, Jiamiao Lu, Weichuan Zhang, Benqing Wu, Tuo Wang, Changshan Wang, Changming Sun, Liang Guo,
• Abstract要約: 本稿では,ResNet-10をベースとした軽量3次元CNNであるGloResNetを提案する。 大域多様体写像戦略はまず、各3次元体積を128x128x128に再サンプリングし、次に主観的にzスコア強度正規化を適用する。 5倍のクロスバリデーションでは、GloResNetは平均精度75.18%(約81.82%)、特異度0.81、感度0.76。
• 参考スコア（独自算出の注目度）: 14.249039546660562
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This study introduces an automated deep learning framework for predicting brain injury (BI) in preterm infants from T2-weighted MRI (dHCP dataset). We propose GloResNet, a lightweight 3D CNN based on ResNet-10, pretrained on MedicalNet to address data scarcity. A global manifold mapping strategy first resamples each 3D volume to 128x128x128 and then applies subject-wise z-score intensity normalization, thereby preserving global topology while standardizing appearance. Training integrates mixup, class weighting, and test-time augmentation for robustness. In 5-fold cross-validation, GloResNet achieved 75.18% average accuracy (peak 81.82%), with specificity 0.81 and sensitivity 0.76. Results demonstrate that a topology-aware lightweight CNN has the capability to effectively predict neonatal BI, offering a non-invasive screening tool. The source code of this paper can be obtained from the GitHub repository: https://github.com/ICL-SUST/GloResNet-Preterm-Brain
• Abstract（参考訳）: 本研究では,T2強調MRI(dHCP)を用いた乳幼児の脳損傷(BI)自動予測フレームワークを提案する。 本稿では,ResNet-10をベースとした軽量3次元CNNであるGloResNetを提案する。 大域多様体写像戦略はまず、各3次元体積を128x128x128に再サンプリングし、次に主観的にzスコア強度正規化を適用して、外見を標準化しながら大域位相を保存する。 トレーニングは、ミックスアップ、クラス重み付け、堅牢性のためのテスト時間拡張を統合している。 5倍のクロスバリデーションでは、GloResNetは平均精度75.18%(約81.82%)、特異度0.81、感度0.76。 その結果、トポロジを意識した軽量CNNは新生児BIを効果的に予測し、非侵襲的スクリーニングツールを提供することを示した。 この論文のソースコードはGitHubリポジトリから入手することができる。

関連論文リスト

• Explainable Deep Learning for Brain Tumor Classification: Comprehensive Benchmarking with Dual Interpretability and Lightweight Deployment [4.259927630334864]
  この研究は、MRI画像から脳腫瘍を自動分類するための完全なディープラーニングシステムを提供する。 Inception-ResNet V2は最先端のパフォーマンスに達し、99.53%の精度を達成した。 このエンドツーエンドソリューションは、信頼できるAIの正確性、解釈可能性、デプロイ性を考慮している。
  論文  参考訳（メタデータ） (2025-11-20T17:21:40Z)
• 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)
• Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance [0.0]
  CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileの5つのモデルを含む自動パイプラインが提案されている。 提案アーキテクチャの性能はバランスの取れたデータセットで評価され、微調整されたInceptionV3モデルに対して99.33%の精度が得られた。 トレーニングプロセスをさらに最適化するために、不均衡なデータセットを扱うために、コストに敏感なニューラルネットワークアプローチが提案されている。
  論文  参考訳（メタデータ） (2023-08-01T15:35:06Z)
• Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration [0.0]
  グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。 本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。 課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
  論文  参考訳（メタデータ） (2023-03-23T22:35:37Z)
• Improved techniques for deterministic l2 robustness [63.34032156196848]
  畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。 我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。 我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
  論文  参考訳（メタデータ） (2022-11-15T19:10:12Z)
• Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
  ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。 本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。 提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2021-05-14T19:40:16Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。