SpikeReg：基于脉冲神经网络的能源高效 3D 可变形医学图像配准
计算机视觉与模式识别
2026-05-26 v1
摘要
可变形医学图像配准在 3D 分辨率下对解剖结构进行对齐，但计算密集。脉冲神经网络( SNN) 提供稀疏事件驱动计算，然而尚未系统研究其用于可变形医学图像配准。我们引入 SpikeReg，一种用于 3D 大脑 MRI 配准的脉冲 U-Net。SpikeReg 初始化自模拟的类比 ANN 教师，通过层级权重转移和激活分位阈值校准进行转换，并结合局部互相关、扩散正则化和脉冲稀疏性的旁近梯度目标进行微调。在 OASIS Learn2Reg 验证分割的 图像对上，SpikeReg 达到 Dice ，且与 ANN 教师( , )无显著配对 Dice 差异，仅使用 12.8% 的脉冲率，并在基于事件稀疏 SynOps/MAC 代理相对于稠密 ANN 基线下实现 55.5 倍的算术能耗降低。我们另外报告了两个负面发现：来自 ANN 教师的位移蒸馏会损害性能，以及使用标签-Dice 损失训练的 ANN 教师在率-码转换过程中无法通过。综上，这些结果表明稠密几何预测可以在稀疏事件驱动计算下实现，为神经形态医学图像配准开辟了道路。
引用
@article{arxiv.2605.25144,
title = {SpikeReg: Energy-Efficient 3D Deformable Medical Image Registration with Spiking Neural Networks},
author = {Ali Mikaeili Barzili and Behzad Moshiri and Hamid Azadegan and Mohammad-Reza A. Dehaqani},
journal= {arXiv preprint arXiv:2605.25144},
year = {2026}
}