ハイブリッド深層学習による脳腫瘍検出：高精度化のためのDenseNetとカスタムCNNの組み合わせ
Alex David Swaminathan1, Almas Begum2, Karthikeyan Ramamoorthy3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, Tamilnadu, India.
Biomedical engineering and computational biology
|December 15, 2025
まとめ
新しいハイブリッド深層学習モデルは、DenseNetとカスタム畳み込みニューラルネットワーク（CNN）を組み合わせ、医療画像における脳腫瘍検出の精度と特異性を大幅に向上させます。
科学分野:
- 医療画像;人工知能;コンピュータサイエンス
背景:
- 深層学習モデルは、医療画像における正確な脳腫瘍検出に不可欠です。;VGG、SVM、および標準的なCNNなどの従来のモデルは、診断に必要なリアルタイムの感度と特異性が不足しています。
研究 の 目的:
- DenseNetとカスタムCNNを統合したハイブリッド深層学習アーキテクチャを開発すること。;医療画像における脳腫瘍検出の分類精度、感度、特異性を向上させること。
主な方法:
- DenseNetの特徴再利用とカスタムCNNを組み合わせたハイブリッドアーキテクチャを設計しました。;前処理および拡張された脳腫瘍データセットでモデルをトレーニングおよびテストしました。;SVM、VGG、および単一のDenseNet/CNNモデルを含むベンチマークモデルと比較してパフォーマンスを評価しました。
主要な成果:
- ハイブリッドDenseNet-カスタムCNNモデルは、SVM（96%）、VGG（94%）、DenseNet（92%）、およびハイブリッドアンサンブル（約95.2%）を上回る優れた精度を達成しました。;より正確な腫瘍分類のための特徴表現の向上により、感度と特異性が向上しました。;SVMと同等のフレーム/秒（FPS）を達成し、VGGよりも大幅に低いFPSでした。
結論:
- DenseNetとカスタムCNNの統合は、医療画像における脳腫瘍検出能力を向上させます。;このハイブリッドアプローチは、一般的な深層学習とドメイン固有の特徴エンジニアリングを組み合わせることで、実用的で診断的に満足のいくソリューションを提供します。;複数の方法を組み合わせることで、医療画像分類の結果が効果的に向上します。