論文の概要: Automated brain tumor detection in MRI images using CNN and ResNet architectures

• arxiv url: http://arxiv.org/abs/2606.27405v1
• Date: Thu, 25 Jun 2026 04:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.275616
• Title: Automated brain tumor detection in MRI images using CNN and ResNet architectures
• Title（参考訳）: CNNとResNetアーキテクチャを用いたMRI画像における脳腫瘍の自動検出
• Abstract要約: この研究は、MRI画像から脳腫瘍を自動検出するためのディープラーニングに基づくアプローチを提案する。 実験は3,929個の脳MRI画像のデータセットを用いて行われ、モデル深度と微調整戦略の影響を評価する。 提案フレームワークは、早期診断と臨床的意思決定をサポートする高速で正確で費用効率の高い脳腫瘍検出を可能にする。
• 参考スコア（独自算出の注目度）: 0.26097841018267615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has shown significant potential in medical image analysis, particularly for disease detection using MRI scans. Accurate and early diagnosis of brain tumors remains challenging due to the complexity of brain structures and reliance on manual interpretation. This work presents an automated deep learning-based approach for brain tumor detection from MRI images using Convolutional Neural Networks and Residual Networks. Transfer learning is applied with two pretrained architectures, ResNet18 and ResNet50, to classify MRI scans into tumor and non-tumor categories. Experiments are conducted on a dataset of 3,929 brain MRI images, evaluating the impact of model depth and fine-tuning strategies. The results show that ResNet18 achieves a higher accuracy of 97% compared to 96% for ResNet50, demonstrating better generalization on limited medical data. The proposed framework enables fast, accurate, and cost-effective brain tumor detection, supporting early diagnosis and clinical decision-making.
• Abstract（参考訳）: 深層学習は医学的画像解析において有意な可能性を示しており、特にMRIスキャンを用いた疾患検出に有用である。 脳腫瘍の正確な早期診断は、脳構造の複雑さと手作業による解釈に依存するため、依然として困難である。 本研究では,畳み込みニューラルネットワークと残像ネットワークを用いたMRI画像から脳腫瘍を自動的に検出する手法を提案する。 トランスファーラーニングは、MRIスキャンを腫瘍と非腫瘍のカテゴリに分類するために、ResNet18とResNet50の2つの事前訓練されたアーキテクチャで適用されている。 実験は3,929個の脳MRI画像のデータセットを用いて行われ、モデル深度と微調整戦略の影響を評価する。 その結果、ResNet18はResNet50の96%と比較して97%の精度で達成され、限られた医療データに対するより良い一般化が示された。 提案フレームワークは、早期診断と臨床的意思決定をサポートする高速で正確で費用効率の高い脳腫瘍検出を可能にする。

関連論文リスト

• Enhancing and Accelerating Brain MRI through Deep Learning Reconstruction Using Prior Subject-Specific Imaging [35.175191487977386]
  ディープラーニングに基づく新しいMRI再構成フレームワークを提案する。 我々は,T1強調MRIの縦断的データセットを用いて,被験者18名からの2,808イメージを4つのアクセラレーション因子で検証した。 また,従来の登録アルゴリズムを用いた手法と比較して,再建時間を大幅に短縮した。
  論文  参考訳（メタデータ） (2025-07-28T21:39:36Z)
• An Explainable Deep Learning Framework for Brain Stroke and Tumor Progression via MRI Interpretation [0.0]
  本稿では,MRI画像から脳腫瘍と脳卒中を同定する深層学習システムについて述べる。 畳み込みニューラルネットワークであるMobileNet V2とResNet-50の2つの画期的な戦略を実行しました。 トレーニング精度は93%に達し、検証精度は88%まで向上した。
  論文  参考訳（メタデータ） (2025-06-10T18:19:56Z)
• A CNN Approach to Automated Detection and Classification of Brain Tumors [0.0]
  本研究の目的は、提供されたMRIデータを分析して、健康な脳組織と脳腫瘍を分類することである。 モデル作成に使用されるデータセットは、3,264個の脳MRIスキャンを含む、一般にアクセス可能で検証された脳腫瘍分類(MRI)データベースである。
  論文  参考訳（メタデータ） (2025-02-13T19:33:26Z)
• Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors [39.58317527488534]
  RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。 DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
  論文  参考訳（メタデータ） (2023-11-22T16:01:44Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images [0.0]
  脳腫瘍は、すべての年齢層で高い有病率と死亡率のため、世界的な健康上の大きな課題となる。 本研究は,MRI画像を用いた脳腫瘍検出における畳み込みニューラルネットワーク(CNN)の使用に関する包括的研究である。 このデータセットは、健康な個人と脳腫瘍患者のMRIスキャンで作成され、CNNアーキテクチャーに入力された。
  論文  参考訳（メタデータ） (2023-10-26T18:27:20Z)
• 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)
• Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI [38.236414924531196]
  静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。 従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。 本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-24T23:45:47Z)
• Brain Anatomy Prior Modeling to Forecast Clinical Progression of Cognitive Impairment with Structural MRI [34.48405029703635]
  小型MRIを用いた認知障害の臨床経過を予測するための脳解剖前モデル(BAPM)フレームワークを提案する。 BAPMはプリテキストモデルと下流モデルで構成され、脳解剖学を明示的にモデル化するための共有脳解剖誘導エンコーダを備えている。 実験結果から,(1)CI進行予測タスク,(2)MR画像再構成,(3)脳組織分節化におけるBAPMの有効性が示唆された。
  論文  参考訳（メタデータ） (2023-06-20T18:45:49Z)
• An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
  脳腫瘍の不正確な同定は、寿命を著しく低下させる。 本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
  我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。 新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。 本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
  論文  参考訳（メタデータ） (2021-06-14T12:19:27Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)

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。