論文の概要: BrainAid: Efficient Brain Tumor Detection Using Lightweight CNNs and Explainable AI for Resource-Constrained Environments

• arxiv url: http://arxiv.org/abs/2610.15077v1
• Date: Sat, 10 Oct 2026 17:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:44:22.183605
• Title: BrainAid: Efficient Brain Tumor Detection Using Lightweight CNNs and Explainable AI for Resource-Constrained Environments
• Title（参考訳）: BrainAid: 資源制約環境のための軽量CNNと説明可能なAIを用いた効率的な脳腫瘍検出
• Abstract要約: 本研究は、グリオーマ、髄膜腫、下垂体腫瘍、非腫瘍MRIの4種類の分類を効果的に分類するために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を効率的に利用するBrainAidを提案する。 BrainAidは、98%の精度で腫瘍を分類し、98%のF1スコアと98%の精度を公開データセットで達成するよう訓練されている。
• 参考スコア（独自算出の注目度）: 6.214928772547586
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A brain tumor is an unusual growth of cells in the brain that can be cancerous or not, affecting normal brain function and causing serious risk to health. Existing solutions for brain tumor classification, such as expert manual evaluations of magnetic resonance imaging (MRI) scans, are generally inconsistent as different professionals have different criteria and can be resource-intensive, leading to delayed diagnoses. Additionally, while deep learning models have demonstrated potential, they typically require significant computational resources, motivating the need for more efficient and accessible diagnostic tools that can be deployed in real-time healthcare settings. To address these limitations, this study presents BrainAid, which makes efficient use of Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs) for effective classification of four-class classification of glioma, meningioma, pituitary tumor, and no-tumor MRI scans, outperforming all the standard models such as VGG16, Inception-V3, ResNet-50 and so, while integrating Explainable AI (XAI) to improve interpretability. The BrainAid is trained to classify tumors with a high precision of 98%, achieving an F1 score of 98% and an accuracy of 98% using publicly available dataset. The model is deployed on a Raspberry Pi, demonstrating efficiency in low-resource environments. This system shows the feasibility of real-time, edge-based tumor classification, providing quick diagnostic support for medical professionals and enhancing patient care in resource-limited healthcare facilities and underserved areas.
• Abstract（参考訳）: 脳腫瘍は、がんであるかどうかに関わらず、正常な脳機能に影響を与え、健康に重大なリスクをもたらす、脳内の異常な細胞の増殖である。 MRI(MRI)スキャンの専門的手動評価のような既存の脳腫瘍分類の解決策は、異なる専門家が異なる基準を持ち、リソース集約性を持ち、診断の遅れにつながるため、一般的に矛盾する。 さらに、ディープラーニングモデルが潜在的な可能性を実証している一方で、一般的には計算リソースがかなり必要であり、リアルタイムのヘルスケア設定にデプロイ可能な、より効率的でアクセスしやすい診断ツールの必要性を動機付けている。 これらの制限に対処するため、この研究では、グリオーマ、髄膜腫、下垂体腫瘍、非腫瘍MRIスキャンの4クラス分類を効果的に分類するために、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)を効果的に利用し、VGG16、Inception-V3、ResNet-50などの標準モデルよりも優れ、説明可能なAI(XAI)を統合して解釈性を向上させるBrainAidを提案する。 BrainAidは、98%の精度で腫瘍を分類し、98%のF1スコアと98%の精度を公開データセットで達成するよう訓練されている。 モデルはRaspberry Pi上にデプロイされ、低リソース環境における効率性を示す。 本システムでは, リアルタイム・エッジベース腫瘍分類の実現可能性を示し, 医療従事者への迅速な診断支援と, 資源制限型医療施設や保存地域における患者ケアの充実を図っている。

関連論文リスト

• A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
  我々は、世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。 BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。 病理組織学的に確認された脳腫瘍5,211例についてBrainVLMを施行した。
  論文  参考訳（メタデータ） (2026-09-15T03:46:03Z)
• 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)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• Detecting Glioma, Meningioma, and Pituitary Tumors, and Normal Brain Tissues based on Yolov11 and Yolov8 Deep Learning Models [0.0]
  本稿では,YoloV11およびYoloV8深層学習モデルを用いて,グリオーマ,髄膜腫,下垂体脳腫瘍を検出するための高度なAI駆動手法を提案する。 移動学習に基づく微調整手法を用いて、最先端の深層学習技術と医療画像を統合し、脳腫瘍をNo-Tumor, Glioma, Meningioma, Pituitary tumorの4つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2025-03-31T19:50:59Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation [0.0]
  脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。 脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。 ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-16T14:06:45Z)
• 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)
• Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional Neural Networks [0.0]
  本稿では、診断プロセスから手作業のプロセスを取り除き、代わりに機械学習を使用する。 脳腫瘍の診断・分類にCNN(Pretrained Convolutional Neural Network)を用いた。
  論文  参考訳（メタデータ） (2022-07-27T02:56:38Z)
• BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck [38.281423869037575]
  機能的磁気共鳴画像(fMRI)解析のための新しいグラフニューラルネットワーク(GNN)フレームワークBrainIBを提案する。 BrainIBは、脳内の最も情報に富むエッジ(つまり、部分グラフ)を識別し、目に見えないデータにうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-05-07T09:35:23Z)

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。