[논문 리뷰] Neural Operators for Biomedical Spherical Heterogeneity

Hao Tang, Hao Chen외 2명|arXiv (Cornell University)|2026. 01. 07.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

이 연구는 Designable Green’s Function Framework (DGF)을 통해 구면 연산자를 구축하고 Equivariant, Invariant, Anisotropic Green’s functions를 결합하여 Green’s-Function Spherical Neural Operator (GSNO)를 설계해 구면에서 이질적 생물의학 시스템을 모델링하며 합성 및 실제 구면 작업 전반에서 우수한 성능을 보인다.

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.

연구 동기 및 목표

• 기하학적 충실도와 실제 이질성 사이의 균형을 맞추는 구면 도메인에 특화된 모델의 필요성을 제시한다.
• 원리적인 프레임워크(DGF)를 도입하여 구면 연산자를 위한 Green의 함수를 설계한다.
• 세 가지 연산자(Equivariant, Invariant, Anisotropic)를 개발하고 이를 GSNO로 융합한다.
• 합성 및 실제 구면 생물의학 작업 전반에서 GSNO의 효과를 демон스트레이션한다.
• 보정 항과 대칭 보존 동작에 대한 아블레이션 연구의 통찰을 보여준다.

제안 방법

• 구 S^2 위에서의 구면 편미분방정식 설정 D(g(u)) = f(u)와 그 그린 함수 G를 정의한다.
• 세 가지 그린 함수 G^E(Equivariant), G^I(Invariant), G^A(Anisotropic) 연산자를 설계한다.
• 각 함수에 대해 구면 조화 변환(SHT)과 역 SHT(ISHT)를 이용해 연산자 해를 도출한다(식 3–5, 11, 13–19).
• 세 연산자 해를 연결(concatenating)하여 이질적인 구면 시스템을 모델링하는 GSNO를 구성한다.
• PyTorch 프레임워크 내에서 실용적인 구현을 제공하고 구면 MNIST, 얕은 물 방정식, 확산 MRI 섬유 예측, 피질 구획화, QM7 분자에서 평가한다.

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.

실험 결과

연구 질문

• RQ1 구면 도메인에서 회전 대칭성과 실제 이질성을 어떻게 균형 있게 달성할 수 있는가?
• RQ2 설계 가능한 그린 함수 프레임워크가 생물의학 구면 데이터의 불변성 및 비대칭성에 적응하는 연산자를 생성할 수 있는가?
• RQ3 동등(Equivariant), 불변(Invariant), 비대칭(Anisotropic) 구면 연산자들을 융합하는 것이 다양한 구면 작업에서 일반화 성능을 향상시키는가?
• RQ4 이질적 영역에서 불변 및 비대칭 구성요소를 도입하는 것이 성능에 미치는 영향은 무엇인가?

주요 결과

• GSNO는 합성 및 실제 구면 작업 전반에서 일관되게 최첨단 방법을 능가한다.
• 불변 연산자는 획득 관련 노이즈나 좌표 아티팩트와 같은 성가로운 이질성을 효과적으로 제거한다.
• 비대칭 연산자는 방향 의존성을 모델링하여 비대칭 생물학적 구조(예: 섬유 다발)에서 성능을 향상시킨다.
• 아블레이션 연구는 보정 항이 이질적 영역에서 성능을 구체적으로 향상시키는 한편, 대칭이 존재할 때는 이를 유지한다는 것을 보여준다.
• GSNO를 이용한 QM7 분자 에너지 예측은 기준 대비 적은 매개변수로 더 높은 정확도를 달성한다.

Figure 2: FOD and Tractography on hcp dataset.