DenseNet121 ベースの移転学習による脳腫瘍分類の改善
Mehwish Rasheed1, Muhammad Arfan Jaffar1, Arslan Akram1,2,3
1Faculty of Computer Science and Information Technology, The Superior University, Lahore, 54600, Pakistan.
Discover oncology
|August 27, 2025
まとめ
この研究は,DenseNet121とMRIスキャンを用いた脳腫瘍分類の自動化方法を導入しています. このアプローチは96.90%の精度を達成し,様々な腫瘍の診断速度と精度を向上させます.
科学分野:
- 医療用イメージング
- 人工知能
- 腫瘍学
背景:
- 脳腫瘍を早期に正確に診断することは 効果的な治療に不可欠です
- 現在の診断方法はしばしば時間がかかり,手作業による解釈に依存しています.
- 既存の方法の限界は,高度な自動化されたソリューションを必要とします.
研究 の 目的:
- MRIデータを用いて脳腫瘍の分類を 自動化するシステムを開発する.
- DenseNet121アーキテクチャを活用して 診断の精度を向上させる
- 脳腫瘍の検出と分類の速度と精度を向上させるため
主な方法:
- 脳の腫瘍を検出するために 移転学習のDenseNet121アーキテクチャを利用した.
- モデルをMRIスキャンで訓練した
- 騒音を最小限に抑え,モデルのパフォーマンスを改善するために,サイズ変更を含む,事前処理されたMRI画像.
- 脳組織を4つのカテゴリーに分類します 良性腫瘍 膠質腫 髄膜腫 垂体腺の悪性腫瘍です
主要な成果:
- マルチクラス脳腫瘍の分類で平均96.90%の精度を達成しました.
- マニュアル通訳や他の機械学習モデルと比較して優れたパフォーマンスを示しています.
- DenseNet121のアプローチは,精度が高く,分析時間は短く,人間の介入は最小限に抑えられます.
結論:
- 提案された自動化された方法は,MRIスキャンによる脳腫瘍の診断の正確性と速度を大幅に改善します.
- このアプローチは従来の診断技術に一貫して予測可能な代替手段であり,人間のエラーの影響を軽減します.
- 開発されたディープラーニングモデルは,MRIベースの分類研究と神経腫瘍学の臨床応用を進める見込みです.
