論文の概要: A Deep Multiscale Neural Network for Accurate Neurological Disorder Detection from MRI Scans and Real-Time Web Deployment
- arxiv url: http://arxiv.org/abs/2606.29106v2
- Date: Sun, 05 Jul 2026 14:54:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 17:33:48.495053
- Title: A Deep Multiscale Neural Network for Accurate Neurological Disorder Detection from MRI Scans and Real-Time Web Deployment
- Title（参考訳）: MRIスキャンによる神経障害の高精度検出とリアルタイムWeb展開のためのディープ・マルチスケールニューラルネットワーク
- Abstract要約: 本研究では,脳神経障害のマルチクラスMRI分類のためのエンデネット(End-Net)を提案する。
End-Netには24の畳み込みレイヤがあり、まず畳み込みブロックから始まり、21の最適化されたモジュールが続く。
グローバル平均プーリングヘッド、コンパクト完全連結型分類器、ドロップアウトパラメータの削減、オーバーフィッティングの制限、ロバスト性の向上。
- 参考スコア（独自算出の注目度）: 2.894827424581233
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neurological disorders involve diverse pathologies of the brain and nervous system, making early and accurate detection essential. While many deep CNNs have been developed for MRI-based classification of neurological disorders, most are optimized for binary tasks and often fail to capture the multi-class features needed to distinguish subtle anatomical differences across conditions. This study proposes the Enhanced Neurological Disorder Detection Network (End-Net) for multi-class MRI classification of neurological disorders. End-Net includes 24 convolutional layers, beginning with convolutional blocks followed by 21 optimized inception modules. These modules extract multiscale features via parallel 1 x 1, 3 x 3, and factorized 5 x 5 convolutional branches, along with max pooling, enabling the model to capture complementary texture, edge, shape, and contextual information. A global average pooling head, compact fully connected classifier, and dropout reduce parameters, limit overfitting, and improve robustness. End-Net was evaluated on the Multi-Class Neurological Disorder dataset, comprising MRI scans from patients with Alzheimer's disease, brain tumors, multiple sclerosis, and healthy controls. Severe class imbalance was addressed by augmenting minority classes with WGAN-GP and randomly undersampling the majority class. The results show that End-Net outperforms existing architectures in both accuracy and generalization. The model is also integrated into an online system for real-time web-based inference and accessibility.
- Abstract（参考訳）: 神経疾患は、脳と神経系の様々な病理を包含し、早期かつ正確な検出が不可欠である。
多くのディープCNNはMRIに基づく神経疾患の分類のために開発されたが、その多くはバイナリータスクに最適化されており、条件間の微妙な解剖学的差異を区別するために必要なマルチクラスの特徴を捉えることができない。
本研究では,脳神経障害のマルチクラスMRI分類のためのエンデネット(End-Net)を提案する。
End-Netには24の畳み込みレイヤがあり、まず畳み込みブロックから始まり、21の最適化された開始モジュールが続く。
これらのモジュールは並列1 x 1, 3 x 3 でマルチスケールの特徴を抽出し、5 x 5 の畳み込み分岐を最大プールとともに分解し、モデルが補完的なテクスチャ、エッジ、形状、コンテキスト情報をキャプチャすることを可能にする。
グローバル平均プーリングヘッド、コンパクト完全連結型分類器、ドロップアウトパラメータの削減、オーバーフィッティングの制限、ロバスト性の向上。
エンドネットは、アルツハイマー病、脳腫瘍、多発性硬化症、健康管理患者のMRIスキャンを含むマルチクラス神経障害データセットで評価された。
深刻な階級不均衡は、少数層を WGAN-GP で増加させ、ランダムに多数派をアンサンプすることで対処された。
その結果、End-Netは既存のアーキテクチャよりも精度と一般化の両面で優れていることがわかった。
このモデルは、リアルタイムWebベースの推論とアクセシビリティのためのオンラインシステムにも統合されている。
関連論文リスト
- BRIEF: BRain-Inspired network connection search with Extensive temporal feature Fusion enhances disease classification [14.641800350582695]
BRain-Inspired機能Fusion(BRIEF)は自動的にネットワークアーキテクチャを最適化する。
BRIEFは21のアルゴリズムに比べて2.2%から12.1%の大幅な改善を示した。
これは、脳にインスパイアされた強化学習戦略を取り入れて、fMRIベースの精神障害分類を最適化する最初の試みである。
論文 参考訳（メタデータ） (2025-08-15T12:36:03Z) - 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) - BrainSegDMlF: A Dynamic Fusion-enhanced SAM for Brain Lesion Segmentation [39.74162517990082]
脳画像における実質的な脳病変は、病変領域と正常な脳組織の間に不明瞭な境界を持つ高い異種性を示す。
単一スライスにおける小病変の同定は困難であり, 異常領域の正確な再現性セグメンテーション, 特徴記述は非常に複雑である。
既存の手法には次のような制限がある: 1) 診断に一般的に使用されるマルチモーダル情報を無視し、学習に単一モーダル情報のみに依存する。
論文 参考訳（メタデータ） (2025-05-09T15:40:09Z) - Targeted Neural Architectures in Multi-Objective Frameworks for Complete Glioma Characterization from Multimodal MRI [0.0]
脳腫瘍は認知障害、運動機能障害、感覚障害などの神経学的障害を引き起こす。
深層学習(DL)と人工知能(AI)は、MRI(MRI)スキャンを用いて早期診断の医師を支援するためにますます利用されている。
本研究は、これらのグリオーマのグレードの局在化、セグメント化、分類が可能な多目的フレームワーク内のターゲット型ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-09-25T18:38:57Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus [46.1292414445895]
副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
論文 参考訳（メタデータ） (2023-03-31T09:23:27Z) - SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。
本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
論文 参考訳（メタデータ） (2023-02-21T18:16:20Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - 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) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。