論文の概要: SpikeReg: Energy-Efficient 3D Deformable Medical Image Registration with Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2605.25144v1
• Date: Sun, 24 May 2026 15:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.858123
• Title: SpikeReg: Energy-Efficient 3D Deformable Medical Image Registration with Spiking Neural Networks
• Title（参考訳）: SpikeReg: スパイクニューラルネットワークによるエネルギー効率の良い3D変形可能な医用画像登録
• Authors: Ali Mikaeili Barzili, Behzad Moshiri, Hamid Azadegan, Mohammad-Reza A. Dehaqani,
• Abstract要約: スパイキングニューラルネットワークは、スパースイベント駆動計算を提供する。 SpikeRegは、3Dの脳MRI登録のためのスパイクU-Netだ。 結果より, イベント駆動計算では, 密集した幾何学的予測が可能であることがわかった。
• 参考スコア（独自算出の注目度）: 1.4857783122641302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable medical image registration aligns anatomical structures across images but remains computationally dense at 3D resolution. Spiking neural networks (SNNs) offer sparse event-driven computation, yet have not been systematically studied for deformable medical image registration. We introduce SpikeReg, a spiking U-Net for 3D brain MRI registration. SpikeReg is initialized from an analog ANN registration teacher, converted by layer-wise weight transfer and activation-percentile threshold calibration, and fine-tuned with a surrogate-gradient objective combining local cross-correlation, diffusion regularization, and spike-rate sparsity. On the OASIS Learn2Reg validation split ($19$ image pairs), SpikeReg reaches Dice $0.7474 \pm 0.032$, with no significant paired Dice difference from the ANN teacher ($0.7480 \pm 0.037$, $p = 0.67$), at a $12.8\%$ mean spike rate and a $55.5\times$ projected arithmetic-energy reduction under an event-sparse SynOps/MAC proxy relative to the dense-ANN baseline. We additionally report two negative findings: displacement distillation from the ANN teacher hurts performance, and ANN teachers trained with a label-Dice loss fail to transfer through rate-code conversion. Together these results show that dense geometric prediction can be performed under sparse event-driven computation, opening a path toward neuromorphic medical image registration.
• Abstract（参考訳）: 変形可能な医用画像登録は、画像全体にわたって解剖学的構造を整列するが、3次元解像度で計算的に密度を保っている。 スパイキングニューラルネットワーク(SNN)は、スパースイベント駆動型計算を提供するが、変形可能な医用画像登録のために体系的に研究されていない。 我々は3次元脳MRI登録のためのスパイクU-NetであるSpikeRegを紹介する。 SpikeRegはアナログANN登録教師から初期化され、レイヤーワイドウェイトトランスファーとアクティベーションパーセンタイル閾値キャリブレーションに変換され、局所的相互相関、拡散正則化、スパイクレートの空間性を組み合わせた代理段階の目的で微調整される。 OASIS Learn2Reg Validation split$19$ image pairs, SpikeReg reach Dice $0.7474 \pm 0.032$, with no significant paired Dice difference from the ANN teacher$0.7480 \pm 0.037$, $p = 0.67$, at a 12.8\%$ mean spike rate and a 5.5\times$ projected arithmetic-Eergy reduction under an event-sparse SynOps/MAC proxy relative。 さらに,ANN教師の変位蒸留が性能を損なうこと,ANN教師がレートコード変換を通さないこと,の2つの否定的な結果も報告した。 これらの結果から, 疎イベント駆動計算により, 密度幾何学的予測が可能であり, ニューロモルフィックな医用画像登録への道を開くことが示唆された。

関連論文リスト

• Neuromorphic Parameter Estimation for Power Converter Health Monitoring Using Spiking Neural Networks [0.0]
  常時オンコンバータのヘルスモニタリングには、サブmWエッジ推論が必要である。 この研究は、スパイク時間処理と物理の執行を分離する。 93%のスパイクスペシャリティを持つこのアーキテクチャは、Intel Loihi 2やBrainChip Akidaの常時デプロイに適している。
  論文  参考訳（メタデータ） (2026-04-17T05:34:53Z)
• Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
  医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。 MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
  論文  参考訳（メタデータ） (2024-11-24T12:11:11Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• High-Resolution Maps of Left Atrial Displacements and Strains Estimated with 3D Cine MRI using Online Learning Neural Networks [1.1902493590292005]
  オンライン学習ニューラルネットワーク(Aladdin)を用いた左心房変位・変形の分析ツールを提案する。 Aladdinには、オンラインセグメンテーションと画像登録ネットワークと、LAに合わせて調整された歪計算パイプラインが含まれている。 その結果,アラジンは心臓循環を横断するLA壁を正確に追跡し,その運動と変形を特徴付けることができた。
  論文  参考訳（メタデータ） (2023-12-14T23:00:11Z)
• Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
  本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。 これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-05T02:41:46Z)
• ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion [4.068962439293273]
  本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。 ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。 我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
  論文  参考訳（メタデータ） (2022-08-04T13:13:48Z)
• Cross-Modality Image Registration using a Training-Time Privileged Third Modality [5.78335050301421]
  本稿では,マルチモーダリティ登録問題を支援するために,特権モーダリティアルゴリズムからの学習を提案する。 前立腺癌356例の369セットの3D Multiparametric MRI画像を用いて実験を行った。
  論文  参考訳（メタデータ） (2022-07-26T13:50:30Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)

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。