用于冠状动脉造影的轻量级脑启发机器学习框架：混合神经表示与鲁棒学习策略
计算机视觉与模式识别
2026-01-23 v1 机器学习
摘要
背景：冠状动脉造影（CAG）是评估冠状动脉疾病和指导介入治疗决策的基石成像模态。然而，在真实世界的临床环境中，血管造影图像通常具有病变形态复杂、类别严重不平衡、标签不确定和计算资源有限等特点，这对传统深度学习方法在鲁棒性和泛化能力方面提出了巨大挑战。方法：所提出的框架构建于一个预训练的卷积神经网络之上，以构建一个轻量级的混合神经表示。引入了一种选择性神经可塑性训练策略，以实现高效的参数自适应。此外，采用了一种脑启发的注意力调制损失函数，该函数结合了 Focal Loss 与标签平滑，以增强对困难样本和不确定标注的敏感性。采用类别不平衡感知采样和带热重启的余弦退火策略，以模拟在生物神经系统中观察到的节律性调节和注意力分配机制。结果：实验结果表明，所提出的轻量级脑启发模型在二分类冠状动脉造影分类中取得了强劲且稳定的性能，在保持高计算效率的同时，产生了具有竞争力的准确率、召回率、F1 分数和 AUC 指标。结论：本研究验证了脑启发学习机制在轻量级医学图像分析中的有效性，并为在有限计算资源下的智能临床决策支持提供了一种生物学上合理且可部署的解决方案。
引用
@article{arxiv.2601.15865,
title = {A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies},
author = {Jingsong Xia and Siqi Wang},
journal= {arXiv preprint arXiv:2601.15865},
year = {2026}
}