[논문 리뷰] A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies

Jingsong Xia, Siqi Wang|arXiv (Cornell University)|2026. 01. 22.

Retinal Imaging and Analysis인용 수 0

한 줄 요약

가벼운 뇌영감(brain-inspired) 프레임워크가 관상동맥 조영술 분류에 대해 pretrained ResNet50 백본과 컴팩트한 분류기, 뇌영감 손실(brain-inspired loss), 선택적 가소성 학습을 활용하여 제한된 자원 환경에서도 강력한 성능을 달성합니다(테스트 정확도 85.00%, AUC 0.9372, 민감도 높음).

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.

연구 동기 및 목표

• 제한된 계산 자원 하에서 관상동맥 조영술용 ML의 견고성, 일반화 및 배포 가능성을 다룬다.
• 현장 데이터에서 복잡한 병변 형태, 클래스 불균형, 라벨 불확실성을 다룬다.
• 의료 영상에 대해 신경 영감을 받은 학습을 활용한 매개변수 효율적 프레임워크를 개발한다.
• 임상 의사결정 지원을 위한 해석 가능하고 배포 가능한 솔루션을 제공한다.

제안 방법

• 정적 관찰 경로로 안정적인 perceptual 경로로 프리트레인된 ResNet50을 사용하고 분류를 위한 컴팩트한 선형 헤드를 활용한다.
• 초기 학습 동안 CNN 백본을 고정한다; 매개변수 탐색 공간을 줄이기 위해 선형 헤드만 학습한다.
• 난이도 높은 샘플과 불확실한 주석을 다루기 위해 Focal Loss와 라벨 스무딩을 결합하여 뇌 영감 주의 모듈 손실을 도입한다.
• 클래스 불균형 인식 샘플링과 warm restarts가 있는 코사인 어닐링을 적용하여 리드미컬한 조절과 주의 배분을 모사한다.
• 단계적 업데이트가 있는 선택적 신경 가소성 학습 전략을 채택한다: 고정된 백본으로 예열한 후 고수준 층의 선택적 미세 조정을 수행한다.
• 전체 학습 가능 매개변수가 약 11.4M로 가벼운 설계를 달성하고 CPU에서 약 2.2분의 빠른 학습을 달성한다.

실험 결과

연구 질문

• RQ1 제한된 계산 자원 하에서 가볍고 뇌 영감을 받은 프레임워크가 견고한 관상동맥 조영술 분류를 달성할 수 있는가?
• RQ2 제한된 데이터 의학 영상 작업에서 단계적 층 고정 및 미세 조정인 선택적 신경 가소성(선택적 가소성)이 안정성과 일반화를 개선하는가?
• RQ3 뇌 영감 손실과 불확실성 모델링(Focal Loss와 라벨 스무딩)이 클래스 불균형 및 노이즈 주석하에서 성능을 향상시키는가?
• RQ4 제안된 방법이 CAG 데이터에서 정확도, AUC, F1 점수 측면에서 기본 CNN 및 양자 강화 모델과 어떻게 비교되는가?

주요 결과

• 테스트 세트 120개의 CAG 이미지(양성 60, 음성 60)에서 모델은 85.00%의 정확도와 0.9372의 AUC-ROC를 달성했다.
• 재현율(민감도)은 96.67%(58/60), 특이도는 73.33%(44/60), F1-스코어는 0.8657이다.
• 모델은 4 에폭에서 검증 정확도 90%에 수렴했고, 에폭 4에서 검증 정확도 90.08%, AUC 0.9374를 기록했다.
• 기준선(ResNet18, ResNet34, 그리고 Quantum-Enhanced ResNet18)과 비교할 때 뇌 영감 혼합 모델은 더 높은 정확도(85.00% 대 76.67–79.17%), 더 높은 AUC(0.9372 대 0.8453–0.8721), 더 높은 F1-스코어(0.8657 대 0.7821–0.8234)를 달성했다.
• 목표 성능까지의 학습 시간은 CPU에서 약 2.2분으로 각 에폭은 약 33초이다.