論文の概要: Improving Liver Disease Diagnosis with SNNDeep: A Custom Spiking Neural Network Using Diverse Learning Algorithms

• arxiv url: http://arxiv.org/abs/2508.20125v1
• Date: Sun, 24 Aug 2025 19:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.570554
• Title: Improving Liver Disease Diagnosis with SNNDeep: A Custom Spiking Neural Network Using Diverse Learning Algorithms
• Title（参考訳）: SNNDeepによる肝疾患診断の改善: ディバースラーニングアルゴリズムを用いたカスタムスパイキングニューラルネットワーク
• Authors: Zofia Rudnicka, Janusz Szczepanski, Agnieszka Pregowska,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、最近、従来のディープラーニングモデルに対するエネルギー効率が高く、生物学的に妥当な代替手段として注目されている。 本研究は、CT(Computed tomography)機能から肝臓の健康状態のバイナリ分類に最適化されたSNNDeepについて紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Spiking neural networks (SNNs) have recently gained attention as energy-efficient, biologically plausible alternatives to conventional deep learning models. Their application in high-stakes biomedical imaging remains almost entirely unexplored. Methods: This study introduces SNNDeep, the first tailored SNN specifically optimized for binary classification of liver health status from computed tomography (CT) features. To ensure clinical relevance and broad generalizability, the model was developed and evaluated using the Task03\Liver dataset from the Medical Segmentation Decathlon (MSD), a standardized benchmark widely used for assessing performance across diverse medical imaging tasks. We benchmark three fundamentally different learning algorithms, namely Surrogate Gradient Learning, the Tempotron rule, and Bio-Inspired Active Learning across three architectural variants: a fully customized low-level model built from scratch, and two implementations using leading SNN frameworks, i.e., snnTorch and SpikingJelly. Hyperparameter optimization was performed using Optuna. Results: Our results demonstrate that the custom-built SNNDeep consistently outperforms framework-based implementations, achieving a maximum validation accuracy of 98.35%, superior adaptability across learning rules, and significantly reduced training overhead. Conclusion:This study provides the first empirical evidence that low-level, highly tunable SNNs can surpass standard frameworks in medical imaging, especially in data-limited, temporally constrained diagnostic settings, thereby opening a new pathway for neuro-inspired AI in precision medicine.
• Abstract（参考訳）: 目的:スパイキングニューラルネットワーク(SNN)は近年,従来のディープラーニングモデルに対して,エネルギー効率が高く生物学的に妥当な代替手段として注目されている。 バイオメディカルイメージングへの彼らの応用はほとんど未解明のままである。 方法:本研究は,CT(Computed tomography)機能から肝健康状態のバイナリ分類に最適化されたSNNDeepについて紹介する。 臨床関連性と広範囲な一般化性を確保するため,多種多様な医用画像タスクのパフォーマンス評価に広く用いられている標準化ベンチマークであるMSD(Messical Segmentation Decathlon)のTask03\Liverデータセットを用いて,本モデルを開発・評価した。 私たちは、Surrogate Gradient Learning、Tempotronルール、Bio-Inspired Active Learningという3つのアーキテクチャの亜種で、スクラッチから完全にカスタマイズされた低レベルモデル、主要なSNNフレームワークであるsnnTorchとSpkingJellyを使った2つの実装の3つの基本的な異なる学習アルゴリズムをベンチマークします。 ハイパーパラメータ最適化はオプトゥーナを用いて行われた。 結果: このカスタムビルドSNNDeepは,フレームワークベースの実装を一貫して上回り,最大検証精度98.35%,学習ルール間の適応性の向上,トレーニングオーバーヘッドの大幅な削減を実現している。 結論:本研究は、低レベルで高度に調整可能なSNNが、特にデータ制限、時間的制約のある診断設定において、医療画像の標準フレームワークを超えることができるという、最初の実証的な証拠を提供する。

関連論文リスト

• A Self-Ensemble Inspired Approach for Effective Training of Binary-Weight Spiking Neural Networks [66.80058515743468]
  トレーニングスパイキングニューラルネットワーク(SNN)とバイナリニューラルネットワーク(BNN)は、差別化不可能なスパイク生成機能のために困難である。 本稿では, バックプロパゲーションプロセスの解析を通じて, SNN の力学とBNN との密接な関係を考察する。 具体的には、複数のショートカットの構造と知識蒸留に基づくトレーニング技術を活用し、(バイナリウェイト)SNNのトレーニングを改善する。
  論文  参考訳（メタデータ） (2025-08-18T04:11:06Z)
• Integrating Complexity and Biological Realism: High-Performance Spiking Neural Networks for Breast Cancer Detection [0.0]
  スパイキングニューラルネットワーク(SNN)は、空間的特徴と時間的特徴の効率的な符号化を可能にする。 SNNは、従来のディープラーニングモデルの性能の一致が困難であるため、医療画像認識に限定的に適用されている。 本稿では,SNNとLempel-Ziv Complexity(LZC)を組み合わせた新しい乳がん分類手法を提案する。
  論文  参考訳（メタデータ） (2025-06-06T17:47:27Z)
• BKDSNN: Enhancing the Performance of Learning-based Spiking Neural Networks Training with Blurred Knowledge Distillation [20.34272550256856]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューラルネットワークを模倣し、離散スパイクを介して情報を伝達する。 本研究は,静的およびニューロモルフィックなデータセット上でSNNをトレーニングするための最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-12T08:17:24Z)
• Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection [0.0]
  目的は、最先端の畳み込みニューラルネットワーク(CNN)を、セグメント化のための脳MRIスキャンの大規模なデータセットに活用することである。 提案手法は,性能向上と一般化性向上のために前処理技術を適用した。
  論文  参考訳（メタデータ） (2024-04-06T15:09:49Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Cell nuclei classification in histopathological images using hybrid OLConvNet [13.858624044986815]
  我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。 CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。 提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2022-02-21T12:39:37Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。