SPiKe-Med: エネルギー効率の良い脳腫瘍MRIセグメンテーションのためのハイブリッドスパイクCNNトランスフォーマーフレームワーク
SPiKe-Med: a hybrid spiking-CNN-transformer framework for energy-efficient brain tumor MRI segmentation
本研究では、計算複雑性とエネルギー消費の課題を克服するため、スパイクニューラルネットワーク(SNN)を最先端の畳み込みニューラルネットワーク(CNN)およびトランスフォーマーバックボーンアーキテクチャに組み込んだ、SPiKe-Medという効率的で正確な神経形態学的インスピレーションを受けたソリューションを提案する。ステージ1では標準化された前処理、N4バイアス補正、等方性リサンプリング、zスコア強度正規化、モダリティ固有の拡張を行う。ステージ2では、ベンチマークであるSwin TransformerとUNETR(UNET- Transformers)を用いて構成された高性能な密セグメンテーションバックボーンであるSwin Unetベーストランスフォーマーネットワーク(SUT-Net)を提案する。ステージ3では、学習済みエンコーダー(時間エンコーディング)を用いてマルチスケール特徴マップをスパイク列にトレーニングし、SpikingJellyで再構成可能にトレーニングされたLeaky Integrate-and-Fire(LIF)ニューロンのスパイク洗練ネットワークに供給することで、SPiKe-Medを開発する。ステージ4では、SNNコンポーネントのエンドツーエンドの代理勾配最適化(代理微分)と、事前トレーニング済みCNNエンコーダー重みの超低遅延推論への選択的ANNからSNNへのポート転送という2トラックのスケジュールでSPiKe-Medをトレーニングする。損失関数は、Dice、focal、時間的整合性項を組み合わせ、温度スケーリングによって最適化される。提案されたSPiKe-Medは、MRIやCTなどの異なるモダリティの複数のベンチマークデータセットで、Dice、Hausdorff距離、スパイクレート、推論あたりの推定エネルギーを用いてテストされる。
- SPiKe-Medは、Swin TransformerとUNETRを組み合わせたSUT-Netを基盤に、Leaky Integrate-and-Fire(LIF)ニューロンによるスパイク洗練ネットワークを組み込んだハイブリッドスパイクCNNトランスフォーマーフレームワーク。
- SNNコンポーネントのエンドツーエンド代理勾配最適化と、事前学習済みCNNエンコーダー重みの超低遅延推論へのANN→SNN選択的ポート転送という2トラックの学習スケジュールを採用。
- Dice、Hausdorff距離、スパイクレート、推論あたりの推定エネルギーを指標とし、MRI・CTなど複数ベンチマークデータセットで評価予定。
脳腫瘍MRIセグメンテーションという具体的応用に対し、SNN(スパイキングニューラルネット)とCNN/Transformerを融合し、推論あたりの推定エネルギーを評価指標に据えている点が注目される。ニューロモーフィック計算の実用化は、GPU中心のAI推論コスト構造を変え得るテーマであり、医療画像以外のエッジ推論全般への波及余地がある。ただし本記事は研究フレームワークの提案段階で、商用製品化・企業名・調達・規制といった投資判断に直結する事象は含まれず、実用化の時期や採用主体が見えない点は割り引いて見るべき。