論文の概要: Multi-Class Brain Tumor Classification Using Advanced Deep Learning Models: A Comparative Study

• arxiv url: http://arxiv.org/abs/2606.18682v1
• Date: Wed, 17 Jun 2026 04:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.00779
• Title: Multi-Class Brain Tumor Classification Using Advanced Deep Learning Models: A Comparative Study
• Title（参考訳）: 高度な深層学習モデルを用いたマルチクラス脳腫瘍分類 : 比較検討
• Abstract要約: 効率の良いNetB0は、テストされた他のアーキテクチャと比較して95%の精度で、全体的な分類に最適であった。 単純なCNNでは約20%のリコール率で髄膜腫を検出できたが、EfficientNetB0では89%のリコール率で髄膜腫を検出できた。
• 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: Despite recent advancements in deep learning, accurately classifying brain tumors from MRI images continues to pose challenges. In this research, we present a comprehensive evaluation of five different convolutional neural networks (CNN) architectures, including a customized baseline model and four pre-trained models - for use in classifying multi-class brain tumors using a clinically-sourced dataset of approximately 10,000 MRI images. We have utilized five different architectures; VGG16, VGG19, DenseNet121, and EfficientNetB0, which were all tested and trained within an identical experimental framework. Performance was measured by both overall accuracy and tumor-wise recall as a means to measure the clinically-relevant performance of each architecture. We found that EfficientNetB0 had the best overall classification accuracy at 95%, when compared to the other architectures tested; specifically VGG16 (94.37%), VGG19 (92.29%), DenseNet121 (90.91%) and the customized CNN (78.00%). An especially important finding of our research was the considerable improvement in detecting meningiomas; specifically, while simple CNNs could detect meningiomas with a recall rate of approximately 20%, EfficientNetB0 was able to detect meningiomas with a recall rate of 89%. Meningiomas are often difficult to detect because they can appear very subtly on MRI images. Additionally, an interesting finding was that the deeper VGG19 performed worse than the shallower VGG16. This indicates that in many cases the architectural efficiency of a CNN model may be more important than its depth when working with medical images. Overall, EfficientNetB0 appears to provide the optimal trade-off between classification accuracy, number of parameters used in the model and clinically meaningful performance.
• Abstract（参考訳）: 近年のディープラーニングの進歩にもかかわらず、MRI画像から脳腫瘍を正確に分類することは課題を呈し続けている。 本研究では,5つの異なる畳み込みニューラルネットワーク(CNN)アーキテクチャを包括的に評価し,カスタマイズされたベースラインモデルと4つの事前訓練モデルを用いて,約1万個のMRI画像を用いて,マルチクラス脳腫瘍の分類を行う。 我々は、VGG16、VGG19、DenseNet121、EfficientNetB0の5つの異なるアーキテクチャを活用しました。 全身的精度と腫瘍関連リコールにより, 各建築の臨床的関連性を評価する方法として, 性能を測定した。 VGG16 (94.37%)、VGG19 (92.29%)、DenseNet121 (90.91%)、カスタマイズされたCNN (78.00%)。 特に重要な発見は髄膜腫の検出の改善であり, 単純CNNでは約20%のリコール率で髄膜腫を検出できたが, 有効NetB0では89%のリコール率で髄膜腫を検出できた。 髄膜腫は、MRI画像に非常に微妙に現れるため、検出が難しいことが多い。 さらに興味深い発見は、より深いVGG19はより浅いVGG16よりも悪化したことである。 これは、多くの場合、医療画像を扱う場合、CNNモデルのアーキテクチャ効率が、その深さよりも重要であることを示している。 全体として、EfficientNetB0は、分類精度、モデルで使用されるパラメータの数、臨床的に意味のあるパフォーマンスの間の最適なトレードオフを提供する。

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)
• Brain Tumor Detection Through Diverse CNN Architectures in IoT Healthcare Industries: Fast R-CNN, U-Net, Transfer Learning-Based CNN, and Fully Connected CNN [0.42970700836450487]
  R-CNN,UNet,転写学習モデルを用いて,MRI画像からグリオーマ,髄膜腫,下垂体腫瘍を分類した。 高速R-CNNは99%の精度、98.5%のFスコア、99.5%のエリア・アンダー・ザ・カーブ(AUC)、99.4%のリコール、98.5%の精度で最高の結果を得た。 これらの結果は、多様なデータセットを扱うAIモデルの堅牢性と信頼性を強調している。
  論文  参考訳（メタデータ） (2025-09-06T20:03:51Z)
• Deep Brain Net: An Optimized Deep Learning Model for Brain tumor Detection in MRI Images Using EfficientNetB0 and ResNet50 with Transfer Learning [0.0]
  本稿では,脳腫瘍検出性能の最適化を目的とした新しい深層学習システムであるDeep Brain Netを提案する。 このモデルは、EfficientNetB0とResNet50の2つの高度なニューラルネットワークアーキテクチャの長所を統合する。 公開されているMRIデータセットで実施された大規模な実験により、Deep Brain Netは、分類精度、精度、リコール、計算効率の点で、最先端の手法の既存の状態を一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-07-09T16:42:26Z)
• Comparative Analysis of Resource-Efficient CNN Architectures for Brain Tumor Classification [0.0]
  本研究は,脳腫瘍分類のための有効かつ単純な畳み込みニューラルネットワーク(CNN)アーキテクチャと事前訓練されたResNet18とVGG16モデルの比較分析を行った。 カスタムCNNアーキテクチャは、複雑さが低いにもかかわらず、事前訓練されたResNet18とVGG16モデルとの競合性能を示している。
  論文  参考訳（メタデータ） (2024-11-23T16:13:40Z)
• 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)
• 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)
• Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation [31.51725965329019]
  深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。 DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
  論文  参考訳（メタデータ） (2022-08-09T12:24:53Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。