論文の概要: HybridDualPathNet: Cross-Fusion Attention of EfficientNetV2 and Swin Transformer for Brain MRI Classification of Alzheimer's and Parkinson's Disease

• arxiv url: http://arxiv.org/abs/2610.17251v1
• Date: Mon, 12 Oct 2026 18:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:34:41.685917
• Title: HybridDualPathNet: Cross-Fusion Attention of EfficientNetV2 and Swin Transformer for Brain MRI Classification of Alzheimer's and Parkinson's Disease
• Title（参考訳）: HybridDualPathNet: アルツハイマー病とパーキンソン病の脳MRI分類における高効率NetV2とスイニングトランスフォーマーのクロスフュージョンアテンション
• Abstract要約: ローカル機能にEfficientNetV2-SとグローバルコンテキストにSwin-Tinyを組み合わせたハイブリッドアーキテクチャであるHybridDualPathNetを提案する。 まず、画像レベルの分割を用いて、Kaggle APD-3-Classデータセット上で98.25%の精度でモデルを評価する。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Separating Alzheimer's Disease (AD), Parkinson's Disease (PD), and Healthy Controls (HC) using structural MRI remains challenging because disease signatures overlap and model performance can be strongly affected by data partitioning. We present HybridDualPathNet, a hybrid architecture combining EfficientNetV2-S for local features and Swin-Tiny for global context through a Cross-Fusion Attention (CFA) module. We evaluate the model in two experiments. First, on the Kaggle APD-3-Class dataset using an image-level split, the model achieves 98.25% accuracy. Second, on a combined Kaggle and Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset containing 17,859 slices, we use a per-source split with patient-wise separation for ADNI subjects. In this setting, the model achieves 73.37% standard accuracy and a macro AUC of 0.880. Source-stratified evaluation reveals a substantial domain gap, with 91.2% accuracy on Kaggle test images and 59.2% on ADNI test images. Temperature scaling reduces expected calibration error from 0.130 to 0.015, while split-conformal prediction achieves 89.5% coverage. Saliency analyses using Grad-CAM++, Integrated Gradients, and occlusion indicate that model activations concentrate on brain tissue. These results highlight the importance of patient-level separation, cross-dataset evaluation, and uncertainty estimation when assessing MRI classification systems. The findings also show that strong performance on a single dataset does not necessarily translate to reliable generalization across imaging cohorts.
• Abstract（参考訳）: 構造MRIを用いたアルツハイマー病(AD)、パーキンソン病(PD)、健康管理(HC)の分離は, 疾患の徴候が重なり, モデル性能がデータ分割の影響を強く受けやすいため, 依然として困難である。 ローカル機能にEfficientNetV2-SとグローバルコンテキストにSwin-Tinyを組み合わせたハイブリッドアーキテクチャであるHybridDualPathNetについて,CFA(Cross-Fusion Attention)モジュールを用いて紹介する。 このモデルを2つの実験で評価した。 第一に、画像レベルの分割を用いたKaggle APD-3-Classデータセットでは、98.25%の精度が達成されている。 第2に、Kaggle と Alzheimer's Disease Neuroimaging Initiative (ADNI) を併用した、17,859個のスライスを含むデータセットにおいて、ADNI患者に対して患者を適宜分離したソーススプリットを用いた。 この設定では、標準精度は73.37%、マクロAUCは0.880である。 ソース階層化評価では、Kaggleテスト画像では91.2%、ADNIテスト画像では59.2%の精度で領域ギャップがかなり大きい。 温度スケーリングはキャリブレーション誤差を0.130から0.015に減らし、スプリット・コンフォーマル予測は89.5%のカバレッジを達成した。 Grad-CAM++、Integrated Gradients、Occlusionを用いた唾液濃度分析では、モデル活性化が脳組織に集中していることが示されている。 これらの結果は,MRI分類システム評価における患者レベルの分離,クロスデータセット評価,不確実性評価の重要性を強調した。 この結果は、単一のデータセット上での強い性能が、画像コホート間の信頼性の高い一般化に必ずしも変換されないことも示している。

関連論文リスト

• A Leakage-Aware Comparative Benchmark of Machine Learning, Deep Learning, and Transformer Models for Reliable Leukemia Detection [0.0]
  末梢血スミア画像からの急性リンパ性白血病(ALL)の自動分類は、C-NMC 2019データセットでほぼ完璧なパフォーマンスを報告されている。 画像レベルのランダムなパーティショニングによる患者レベルのデータ漏洩によって,そのような結果を膨らませることができることを示す。 我々は厳密な主観的解離プロトコルの下で漏洩認識ベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-06-23T04:53:49Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• XDementNET: An Explainable Attention Based Deep Convolutional Network to Detect Alzheimer Progression from MRI data [0.0]
  本稿では,多面的ブロック,特殊空間的アテンションブロック,グループ化されたクエリアテンション,マルチヘッドアテンションを取り入れた新しいディープラーニングアーキテクチャを提案する。 ネットワークがMRI画像から重要な情報を取得する能力は、ADステージの分類において優れた精度で示される。
  論文  参考訳（メタデータ） (2025-05-20T04:17:28Z)
• Early Diagnosis of Alzheimer's Diseases and Dementia from MRI Images Using an Ensemble Deep Learning [0.7510165488300369]
  アルツハイマー病(英語: Alzheimer's Disease, AD)は、認知障害や認知失調を引き起こす進行性神経疾患である。 本研究では,ADの初期段階を正確に検出するために,IR-BRAINNETとModified-DEMNETの2つのCNNを提案する。 また、CNN間のばらつきを低減し、AD検出を向上させるために出力を平均化するアンサンブルモデルも導入した。
  論文  参考訳（メタデータ） (2024-12-07T14:27:41Z)
• 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)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。