論文の概要: A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies

• arxiv url: http://arxiv.org/abs/2601.15865v1
• Date: Thu, 22 Jan 2026 11:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.58154
• Title: A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies
• Title（参考訳）: 冠動脈造影のための軽量脳誘発機械学習フレームワーク:ハイブリッドニューラル表現とロバスト学習戦略
• Authors: Jingsong Xia, Siqi Wang,
• Abstract要約: 提案するフレームワークは、事前訓練された畳み込みニューラルネットワーク上に構築され、軽量なハイブリッドニューラルネットワーク表現を構築する。 効率的なパラメータ適応を実現するために、選択的神経可塑性トレーニング戦略を導入する。 脳にインスパイアされた注意変調損失関数は、ハードサンプルや不確実なアノテーションに対する感受性を高めるために用いられる。
• 参考スコア（独自算出の注目度）: 11.167221101488229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Coronary angiography (CAG) is a cornerstone imaging modality for assessing coronary artery disease and guiding interventional treatment decisions. However, in real-world clinical settings, angiographic images are often characterized by complex lesion morphology, severe class imbalance, label uncertainty, and limited computational resources, posing substantial challenges to conventional deep learning approaches in terms of robustness and generalization.Methods: The proposed framework is built upon a pretrained convolutional neural network to construct a lightweight hybrid neural representation. A selective neural plasticity training strategy is introduced to enable efficient parameter adaptation. Furthermore, a brain-inspired attention-modulated loss function, combining Focal Loss with label smoothing, is employed to enhance sensitivity to hard samples and uncertain annotations. Class-imbalance-aware sampling and cosine annealing with warm restarts are adopted to mimic rhythmic regulation and attention allocation mechanisms observed in biological neural systems.Results: Experimental results demonstrate that the proposed lightweight brain-inspired model achieves strong and stable performance in binary coronary angiography classification, yielding competitive accuracy, recall, F1-score, and AUC metrics while maintaining high computational efficiency.Conclusion: This study validates the effectiveness of brain-inspired learning mechanisms in lightweight medical image analysis and provides a biologically plausible and deployable solution for intelligent clinical decision support under limited computational resources.
• Abstract（参考訳）: 背景: 冠動脈造影(CAG)は, 冠動脈疾患の診断と介入治療の決定を導くための基礎像である。 しかし、実際の臨床環境では、血管造影画像は複雑な病変形態、重度のクラス不均衡、ラベルの不確実性、限られた計算資源によって特徴づけられ、堅牢性と一般化の観点から従来のディープラーニングアプローチに重大な課題を生んでいる。 効率的なパラメータ適応を実現するために、選択的神経可塑性トレーニング戦略を導入する。 さらに、Focal Lossとラベルの平滑化を組み合わせた脳刺激による注意変調損失関数を用いて、ハードサンプルに対する感受性と不確実なアノテーションを高める。 生体神経系で観察されるリズミカル・レギュレーションとアスペクション・アロケーション・メカニズムを模倣するために, クラス不均衡を意識したサンプリングとコサイン・アニーリング(cosine annealing)が採用され, 実験結果: 提案された軽量脳誘発モデルが, 高い計算効率を維持しつつ, 競合精度, リコール, F1スコア, およびAUC測定値の2次冠動脈血管造影分類において, 強力かつ安定した性能を達成することを実証した。結論: 本研究は, 軽量医用画像解析における脳誘発学習機構の有効性を検証し, 限られた計算資源下でのインテリジェントな臨床診断支援のための生物学的に妥当かつ展開可能なソリューションを提供する。

関連論文リスト

• AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings [0.0]
  本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。 臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
  論文  参考訳（メタデータ） (2025-12-19T19:53:56Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Noise-based reward-modulated learning [1.0851051226732167]
  雑音に基づく報酬変調学習は、新しいシナプス的可塑性規則である。 NRLはバックプロパゲーションを用いて最適化されたベースラインに匹敵する性能を示す。 その結果,低消費電力適応システムにおける雑音駆動型脳誘発学習の可能性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-03-31T11:35:23Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。