エッジデバイスにおける脳腫瘍分類のための注意駆動型軽量CNNとHaar初期化パラメトリックウェーブレット圧縮
1Department of Electronics and Communication Engineering, APJ Abdul Kalam Technological University, Federal Institute of Science and Technology, Thiruvananthapuram, Kerala, 695016, INDIA.
Biomedical physics & engineering express
|January 13, 2026
まとめ
本研究は、圧縮MRIスキャンからの正確な脳腫瘍同定のための新しいハイブリッドAIフレームワークを紹介します。このモデルは、既存の方法を上回る96%の精度を達成し、リアルタイムのエッジ展開に効率的です。
科学分野:
- 医療画像処理
- 人工知能
- 信号処理
背景:
- 磁気共鳴画像法（MRI）からの正確な脳腫瘍同定は、効果的な治療計画に不可欠です。
- 既存の方法は、圧縮データ、計算効率、および解釈可能性においてしばしば苦労します。
- リアルタイムのエッジベースのアプリケーションに適した、軽量で解釈可能なモデルの必要性。
研究 の 目的:
- 圧縮MRIデータから効率的かつ解釈可能な脳腫瘍同定のための軽量ハイブリッドフレームワークを開発すること。
- パラメトリックウェーブレット変換（PWT）と畳み込みニューラルネットワーク（CNN）および自己注意機構を統合すること。
- モデルの解釈可能性を高め、エッジデバイスでのパフォーマンスを検証すること。
主な方法:
- Haarウェーブレットで初期化された新しいパラメトリックウェーブレット変換（PWT）レイヤーは、MRIデータの適応圧縮および特徴抽出のために開発されました。
- 軽量CNNバックボーンは、周波数領域特徴を処理し、マルチヘッド自己注意機構によって強化され、識別力を向上させました。
- モデルの解釈可能性を高め、腫瘍関連領域を強調するために、Grad-CAM可視化が使用されました。
主要な成果:
- 提案されたフレームワークは、ベンチマークモデルであるMobileNetV2（93.0%）およびMobileNetV3Small（95.2%）を上回る96.0%の分類精度を達成しました。
- このモデルは、より少ない学習可能パラメータ（約280万）とより高速なトレーニング時間で効率を示しました。
- Raspberry Pi 5への展開の成功は、リアルタイムのポイントオブケア、エッジベースのアプリケーションへの適合性を確認しました。
結論:
- ハイブリッドPWT-CNN-Attentionフレームワークは、圧縮MRIからの脳腫瘍分類のための堅牢で解釈可能なソリューションを提供します。
- 適応的周波数領域圧縮と注意機構の統合は、診断精度と効率を大幅に向上させます。
- エッジデバイスでのモデルのパフォーマンスは、高度でアクセス可能な医療画像診断への道を開きます。
