[論文レビュー] A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies

Jingsong Xia, Siqi Wang|arXiv (Cornell University)|Jan 22, 2026

Retinal Imaging and Analysis被引用数 0

ひとこと要約

プリtrained ResNet50 バックボーンとコンパクトな分類器、ブレインインスパイアード損失、選択的可塑性トレーニングを組み合わせ、限定リソース下で高性能を達成（Test Acc 85.00%、AUC 0.9372、感度高め）。

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.

研究の動機と目的

• 限られた計算資源の下で冠動脈造影の機械学習の堅牢性・一般化・展開性を検討する。
• 実世界データにおける複雑な病変形態、クラス不均衡、ラベル不確実性を扱う。
• 医用画像処理に向けたニューロインスパイア学習を活用したパラメータ効率的フレームワークを開発する。
• 臨床意思決定支援のための解釈可能で展開可能な解決策を提供する。

提案手法

• 分類のための安定した知覚経路として事前学習済みの ResNet50 を使用し、コンパクトな線形ヘッドで分類を行う。
• 最初のトレーニングではCNNバックボーンを凍結し、線形ヘッドのみを訓練してパラメータ探索空間を削減する。
• 難例と不確かなアノテーションに対処するため、Focal Loss とラベル滑らかさを組み合わせたブレインインスパイアード注意機構付き損失を導入する。
• クラス不均衡に配慮したサンプリングとコサインアニーリングを暖機・再開で適用し、リズミカルな調整と注意配分を模倣する。
• 選択的ニューラル可塑性トレーニング戦略を採用し、段階的更新を行う：凍結バックボーンでウォームアップ、次に高次レイヤーの選択的微調整。
• 総訓練パラメータ約 11.4M、CPU での訓練は迅速（約 2.2 分）という軽量設計を実現する。

実験結果

リサーチクエスチョン

• RQ1 制約された計算資源下でも軽量で脳インスパイアされたフレームワークは冠動脈造影分類で堅牢性を達成できるか？
• RQ2 段階的レイヤー凍結と微調整を含む選択的ニューラル可塑性は、データ不足の医用画像タスクの安定性と一般化を改善するか？
• RQ3 ブレインインスパイアード損失と不確実性モデリング（ラベル滑らかさ付きFocal Loss）は、クラス不均衡とノイズの多いアノテーション下で性能を向上させるか？
• RQ4 提案手法はCAGデータにおいて、精度・AUC・F1スコアの点でベースラインCNNや量子強化モデルと比較してどうか？

主な発見

• CAG画像120枚のテストセット（陽性60、陰性60）に対して、モデルは正解率85.00%、AUC-ROC 0.9372を達成した。
• リコール（感度）は96.67%（58/60）、特異度は73.33%（44/60）、F1スコアは0.8657。
• 4エポックで検証正解率が90%に収束し、4エポック時の検証正解率は90.08%、AUCは0.9374。
• ベースライン（ResNet18、ResNet34、量子強化ResNet18）と比較して、ブレインインスパイアードハイブリッドは高い正解率（85.00%対76.67–79.17%）、高いAUC（0.9372対0.8453–0.8721）、高いF1スコア（0.8657対0.7821–0.8234）を示した。
• ターゲット性能までの訓練時間はCPUで約2.2分、各エポック約33秒。