[论文解读] 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 0

一句话总结

一个轻量级的脑启发框架用于冠状血管造影分类，使用预训练的 ResNet50 骨干和紧凑分类头、脑启发的损失以及选择性可塑性训练，在资源受限的情况下实现较强的性能（测试准确率 85.00%，AUC 0.9372，高灵敏度）。

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.

研究动机与目标

• 在有限计算资源下解决冠状血管造影的鲁棒性、泛化性和可部署性问题。
• 处理现实数据中的复杂病变形态、类别不平衡和标注不确定性。
• 开发一个高效参数的框架，利用神经启发学习用于医学影像。
• 提供一个可解释、可部署的临床决策支持解决方案。

提出的方法

• 使用预训练的 ResNet50 作为稳定的感知通路，配备紧凑的线性分类头进行分类。
• 在初始训练阶段冻结卷积神经网络骨干；仅训练线性头以减少参数搜索空间。
• 通过将 Focal Loss 与标签平滑相结合来引入脑启发的注意力调制损失，以处理困难样本和不确定标注。
• 应用对类别不平衡敏感的采样和带有暖启动的余弦退火，以模拟节律性调节和注意力分配。
• 采用带阶段更新的选择性神经可塑性训练策略：先在冻结骨干时进行热身，然后对高层进行选择性微调。
• 实现总可训练参数约 11.4M 且训练快速（在 CPU 上约 2.2 分钟）的轻量化设计。

实验结果

研究问题

• RQ1 一个轻量级、脑启发框架在受限计算资源下是否能够实现对冠状血管造影的鲁棒分类？
• RQ2 在数据有限的医学影像任务中，选择性神经可塑性（阶段性层冻结与微调）是否能改善稳定性和泛化性？
• RQ3 脑启发损失与不确定性建模（带标签平滑的 Focal Loss）是否在类别不平衡和噪声标注下提升表现？
• RQ4 与基线 CNN 和量子增强模型在 CAG 数据上的准确性、AUC 和 F1-score 相比，所提出方法的表现如何？

主要发现

• 在含有 120 张 CAG 图像（60 张阳性，60 张阴性）的测试集上，模型实现了 85.00% 的准确率和 0.9372 的 AUC-ROC。
• 召回率（灵敏度）为 96.67%（58/60），特异性为 73.33%（44/60），F1 分数为 0.8657。
• 模型在 4 轮训练后收敛至 90% 的验证准确率，验证准确率为 90.08%，第 4 轮的 AUC 为 0.9374。
• 与基线（ResNet18、ResNet34 和量子增强 ResNet18）相比，脑启发混合模型获得更高的准确性（85.00% 对比 76.67–79.17%）、更高的 AUC（0.9372 对比 0.8453–0.8721）以及更高的 F1-score（0.8657 对比 0.7821–0.8234）。
• 达到目标性能的训练时间约为 CPU 上 2.2 分钟，每轮约 33 秒。