[論文レビュー] Neural Operators for Biomedical Spherical Heterogeneity

Hao Tang, Hao Chen+2 more|arXiv (Cornell University)|Jan 7, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

要約: 本研究は、球面演算子を構築する設計可能なグリーン関数フレームワーク（DGF）を提案し、 equivariant・invariant・anisotropic グリーン関数を統合して GSNO（グリーン関数球面ニューラルオペレータ）を構築する。球面上の異種生物医学系をモデル化し、合成データと実データの球面タスクで優れた性能を示す。

ABSTRACT

Spherical deep learning has been widely applied to a broad range of real-world problems. Existing approaches often face challenges in balancing strong spherical geometric inductive biases with the need to model real-world heterogeneity. To solve this while retaining spherical geometry, we first introduce a designable Green's function framework (DGF) to provide new spherical operator solution strategy: Design systematic Green's functions under rotational group. Based on DGF, to model biomedical heterogeneity, we propose Green's-Function Spherical Neural Operator (GSNO) fusing 3 operator solutions: (1) Equivariant Solution derived from Equivariant Green's Function for symmetry-consistent modeling; (2) Invariant Solution derived from Invariant Green's Function to eliminate nuisance heterogeneity, e.g., consistent background field; (3) Anisotropic Solution derived from Anisotropic Green's Function to model anisotropic systems, especially fibers with preferred direction. Therefore, the resulting model, GSNO can adapt to real-world heterogeneous systems with nuisance variability and anisotropy while retaining spectral efficiency. Evaluations on spherical MNIST, Shallow Water Equation, diffusion MRI fiber prediction, cortical parcellation and molecule structure modeling demonstrate the superiority of GSNO.

研究の動機と目的

• 幾何学的忠実度と現実世界の異質性のバランスをとる球面ネイティブモデルの必要性を動機づける。
• 球面演算子のグリーン関数を設計するための principled なフレームワーク（DGF）を導入する。
• 三つの演算子（Equivariant, Invariant, Anisotropic）を開発し、それらを GSNO に統合する。
• 合成データと実データの球面生物医学タスク全般で GSNO の有効性を示す。
• 補正項と対称性保持挙動に関するアブレーションの知見を示す。

提案手法

• 球面 S^2 上の球面偏微分方程式設定 D(g(u)) = f(u) とそのグリーン関数 G を定義する。
• 三つのグリーン関数を設計する：G^E は Equivariant、G^I は Invariant、G^A は Anisotropic 演算子。
• 各関数について球面調和変換（SHT）と逆 SHT（ISHT）を用いて演算子解を導出する（式3–5、11、13–19）。
• 三つの演算子解を連結して球面系の異質性をモデル化する GSNO を構築する。
• PyTorch フレームワーク内で実装可能な実用的実装を提供し、球面 MNIST、浅水方程式、拡散 MRI ファイバ予測、皮質分割、QM7 分子で評価する。

Figure 1: The proposed DGF and GSNO. SHT and ISHT represent spherical harmonic transform and inverse transform. $w$ is the linear layer and $\sigma$ is the activation function.

実験結果

リサーチクエスチョン

• RQ1 球面ドメイン上で回転対称性と現実世界の異質性をどうバランスさせることができるか。
• RQ2 設計可能なグリーン関数フレームワークは、生体医療の球面データにおける不変性と各向同性に適応する演算子を生み出せるか。
• RQ3 等変、不変、各向異性の球面演算子を融合することで、多様な球面タスク全般で一般化能が改善されるか。
• RQ4 不変性成分と各向異性成分を組み込むことが、異質的レジームにおける性能にどのような影響を与えるか。

主な発見

• GSNO は合成データと実データの球面タスク全般で最先端手法を一貫して上回る。
• 不変演算子は取得関連ノイズや座標アーティファクトといった煩雑な異質性を効果的に除去する。
• 各向異性演算子は方向依存性をモデル化し、ファイバー路らの各向異性生物構造に対する性能を向上させる。
• アブレーション研究は補正項が異質レジームでの性能を特に向上させつつ、存在する場合には対称性を保持することを示す。
• GSNO によるQM7分子エネルギー予測は、ベースラインよりも少ないパラメータで高い精度を達成する。

Figure 2: FOD and Tractography on hcp dataset.