Abstract
医用画像技術、特に磁気共鳴画像法（MRI）は、神経疾患の診断および治療計画におけるゴールドスタンダードとして広く受け入れられています。しかし、MRI画像の手動解析は放射線科医にとって時間のかかる作業であり、疲労によって人為的な誤りが起こりやすくなります。本研究では、脳腫瘍（グリオーマ、髄膜腫、下垂体腫瘍、腫瘍なし）の自動検出および分類のために、2つの異なる深層学習アプローチを開発し、比較解析しました。最初のアプローチでは、計算コストが低く学習時間が速い、独自の畳み込みニューラルネットワーク（CNN）アーキテクチャ「OkanNet」を、ゼロから設計しました。2つ目のアプローチでは、ImageNetデータセットで事前学習された、50層のResNet-50 [1] アーキテクチャを用いて転移学習（Transfer Learning）を適用しました。Masoud Nickparvarによって作成された拡張データセット（合計7,023枚のMRI画像）を用いた実験では、転移学習ベースのResNet-50モデルが優れた分類性能を示し、96.49
%の精度（Accuracy）と0.963の精度（Precision）を達成しました。一方、独自のOkanNetアーキテクチャは精度率88.10
%に到達しましたが、学習時間の観点でResNet-50よりも約3.2倍速い結果（311秒）を示したことで、計算能力が限られたモバイルおよび組み込みシステムに対する有力な代替手段であることが分かりました。本研究は、実験データを通じて医用画像解析におけるモデルの深さと計算効率のトレードオフを示しています。
