Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning

要約

患者の転帰を改善するには、早期の検出と正確な診断が不可欠です。
腫瘍検出のための畳み込みニューラルネットワーク（CNNS）の使用は有望であることが示されていますが、既存のモデルはしばしばオーバーパラメーター化に苦しんでおり、パフォーマンスの向上を制限します。
この研究では、ファジーなシグモイド畳み込み（FSC）が、2つの追加モジュールとともに導入されています。
提案された方法論は、分類の精度を損なうことなく、トレーニング可能なパラメーターの数を大幅に削減します。
このアプローチの中心であり、入力データの整合性を維持しながら受容フィールドを効果的に拡張します。
これにより、効率的な機能マップ削減が可能になり、モデルの腫瘍検出機能が強化されます。
FSCベースのモデルでは、ファジーシグモイドの活性化関数が畳み込み層に組み込まれ、特徴の抽出と分類を改善します。
ファジーロジックをアーキテクチャに含めると、その適応性と堅牢性が向上します。
3つのベンチマークデータセットでの広範な実験は、提案されたモデルの優れたパフォーマンスと効率性を示しています。
FSCベースのアーキテクチャは、3つの異なるデータセットで99.17％、99.75％、99.89％の分類精度を達成しました。
このモデルは、大規模な転送学習アーキテクチャの100倍のパラメーターを使用しており、計算効率と脳腫瘍を早期に検出するための適合性を強調しています。
この研究は、医療イメージングアプリケーション向けの軽量で高性能の深部学習モデルを提供します。

要約(オリジナル)

Early detection and accurate diagnosis are essential to improving patient outcomes. The use of convolutional neural networks (CNNs) for tumor detection has shown promise, but existing models often suffer from overparameterization, which limits their performance gains. In this study, fuzzy sigmoid convolution (FSC) is introduced along with two additional modules: top-of-the-funnel and middle-of-the-funnel. The proposed methodology significantly reduces the number of trainable parameters without compromising classification accuracy. A novel convolutional operator is central to this approach, effectively dilating the receptive field while preserving input data integrity. This enables efficient feature map reduction and enhances the model’s tumor detection capability. In the FSC-based model, fuzzy sigmoid activation functions are incorporated within convolutional layers to improve feature extraction and classification. The inclusion of fuzzy logic into the architecture improves its adaptability and robustness. Extensive experiments on three benchmark datasets demonstrate the superior performance and efficiency of the proposed model. The FSC-based architecture achieved classification accuracies of 99.17%, 99.75%, and 99.89% on three different datasets. The model employs 100 times fewer parameters than large-scale transfer learning architectures, highlighting its computational efficiency and suitability for detecting brain tumors early. This research offers lightweight, high-performance deep-learning models for medical imaging applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google