🤖 machine learning

HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis

HamVision は、減衰調和振動子のハミルトニアン力学を構造的な帰納バイアスとして導入し、位置・運動量・エネルギーという物理的表現を抽出することで、医療画像のセグメンテーションと分類の両タスクにおいて、追加の教師信号なしに高精度な性能を実現する新しいフレームワークを提案しています。

原著者： Mohamed A Mabrok

公開日 2026-03-24

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Mohamed A Mabrok

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ハムビジョン（HamVision）：医療画像を「物理法則」で読み解く新しい AI

この論文は、医療画像（X 線、超音波、皮膚の画像など）を分析する新しい AI の仕組み「HamVision（ハムビジョン）」について説明しています。

これまでの AI は、大量のデータを見て「これは癌だ」「これは腫瘍だ」と暗記するように学習していました。しかし、HamVision は違います。これは**「物理法則」**という、自然界のルールを AI の頭脳（脳みそ）に最初から組み込んでいます。

具体的にどうやっているのか、3 つの簡単なステップと、わかりやすい例え話で解説します。

1. 核心となるアイデア：「バネと重り」の動きを真似る

この AI の心臓部分は、**「減衰調和振動子（じゅんたいちょうわしんどうし）」**という、物理学の基本的なモデルを使っています。

例え話：
想像してください。天井からバネがぶら下がっていて、その先に重りがついています。
1. 位置（Position）： 重りが今どこにいるか（画像の「色」や「形」の情報）。
2. 運動量（Momentum）： 重りがどれくらい速く動いているか（画像の「境界線」や「急な変化」の情報）。
3. エネルギー（Energy）： 重りがどれくらい激しく振動しているか（画像の「重要な部分」の情報）。

これまでの AI は、これらを別々に学習させようとしていましたが、HamVision は**「バネと重りの動きそのもの」を計算させることで、これらが自然に生まれるようにしています。つまり、教師（人間）が「ここが境界線だよ」と教える必要がなく、「物理法則に従って動けば、自然と境界線が見えてくる」**という仕組みです。

2. 2 つの得意技：画像を「切る」と「判別する」

HamVision は、この「バネの動き」を応用して、2 つの異なる仕事を同時にこなします。

A. 画像を切り取る仕事（セグメンテーション）

例え話： 写真から「病気の部分」だけをハサミで切り取る作業です。
仕組み：
- 運動量（Momentum）： 「ここは急に変化している！」と気づくセンサー。画像の輪郭（境界線）を鋭く捉えます。
- エネルギー（Energy）： 「ここは重要だ！」と照らす懐中電灯。病気の部分だけを明るく照らし、背景を暗くします。
- これらを組み合わせて、AI は「ここが病気で、ここは健康な組織だ」と、ピタリと切り分けることができます。

B. 画像を分類する仕事（分類）

例え話： 写真を見て「これは赤血球」「これは癌細胞」と名前を呼ぶ作業です。
仕組み：
- 画像全体を眺めて、「全体的に動きが激しいか（運動量）」「全体的にエネルギーが高いか（エネルギー）」を統計的にまとめます。
- 「赤血球は滑らかで動きが少ないが、癌細胞は複雑で動きが激しい」といった**「質感の違い」**を、バネの動きの統計値として捉え、正しく分類します。

3. なぜこれがすごいのか？

驚異的な効率性：
従来の AI は、この「輪郭を見る機能」と「重要度を見る機能」を別々の巨大な部品で持っていました。しかし、HamVision は**「バネの動き」という 1 つの仕組み**で、これら 3 つの機能（位置、運動量、エネルギー）をすべて作り出せます。
- 結果： 必要なメモリや計算量が、競合する AI の 10 分の 1 以下（約 850 万パラメータ）で済みます。スマホでも動きそうなほど軽いです。
どんな画像でも通用する：
皮膚の画像（シミ）、心臓の MRI、甲状腺の超音波、血液の顕微鏡写真など、全く異なる種類の画像でも、同じ「バネのルール」が機能しました。これは、AI が特定の画像の「暗記」ではなく、**「画像の読み方そのもの」**を物理法則で習得できていることを示しています。
透明性（ブラックボックスではない）：
多くの AI は「なぜそう判断したか」がわかりません（ブラックボックス）。しかし、HamVision は「運動量が高いから境界線だと判断した」「エネルギーが高いから重要だと判断した」と、物理的な理由がそのまま説明できます。

まとめ

HamVision は、**「AI に物理法則（バネの動き）を教えることで、画像の『輪郭』や『重要度』を自然に理解させる」**という画期的なアプローチです。

まるで、AI に「写真を見る」という作業を、人間の直感や物理的な感覚に近い形でやらせるようなものです。これにより、少ない計算資源で、高精度かつ「なぜそう判断したか」がわかる、信頼性の高い医療 AI が実現しました。

一言で言えば：
「AI に『暗記』ではなく、『物理の法則』を教えて、画像の輪郭と重要さを自然に見つけさせる新時代の医療診断システム」です。

HamVision: 医療画像分析のためのハミルトニアン動力学に基づく構造的帰納バイアス

1. 概要と問題提起

医療画像分析には、解剖学構造のピクセルレベルセグメンテーションから病変の画像レベル分類まで多様なタスクが存在します。従来のアプローチ（U-Net や Vision Transformer など）は、データから汎用的な特徴変換を学習することに依存しており、モデルの容量に頼って有用な計算を発見しています。しかし、医療画像における重要な情報（組織境界の微妙な勾配、病変を示すテクスチャパターン、強度の空間分布など）は、構造的な事前知識（インダクティブ・バイアス）によってより効率的に捉えられる可能性があります。

本研究は、減衰調和振動子（damped harmonic oscillator）という信号処理の基礎的な構成要素を、セグメンテーションと分類の両方のタスクに対する「構造的帰納バイアス」として導入するフレームワークHamVisionを提案します。このアプローチは、画像が物理システムであるからではなく、振動子の動力学が生成する位相空間分解（位置、運動量、エネルギー）が、医療画像分析に必要な表現を自然に提供するという洞察に基づいています。

2. 手法 (Methodology)

HamVision は、共有エンコーダと「ハミルトニアンボトルネック」、そしてタスク固有のヘッド（セグメンテーション用と分類用）で構成されます。

2.1 ハミルトニアン振動子の動力学

入力信号（画像特徴マップの行または列）を、自然振動数 $\omega$ と減衰係数 $\nu$ を持つ振動子に入力します。この系の状態は以下の 3 つの物理量に分解されます。これらは学習ではなく、動力学そのものから導出されます。

位置 ( $q$ ): フィルタリングされた信号内容（特徴そのもの）。
運動量 ( $p = \dot{q}$ ): 空間的な変化率。境界やテクスチャの急激な変化で最大値を示し、均一な領域ではゼロになります。
エネルギー ( $H = \frac{1}{2}|z|^2 = \frac{1}{2}(q^2 + p^2)$ ): 局所的な励起の尺度。位置と運動量を統合したパラメータフリーのセリビティ（注目）マップ。

この系は、状態空間モデル（SSM）として実装され、複素数状態 $z = q + ip $を用いて並列計算（累積和）を可能にします。減衰項$ \nu$ により、過去の入力に対する記憶が制御され（忘れるメカニズム）、安定性が保証されます。

2.2 共有エンコーダとハミルトニアンボトルネック

エンコーダ: ConvNeXt ブロックをベースとした階層的なダウンサンプリング構造。
ボトルネック: 最も深い層（ $28 \times 28$ ）において、ConvNeXt ブロック（信頼性の高い勾配流のため）と振動子バンク（物理構造処理のため）の 2 つのパスを並列に持ち、学習されたゲート機構で融合します。
出力: ボトルネックからは、融合特徴 $f$ 、運動量テンソル $p$ 、エネルギーマップ $H_{map}$ の 3 つの構造化された出力が得られます。

2.3 タスク固有のヘッド

A. セグメンテーション (HamSeg)

U-Net 型のデコーダ構造を採用し、振動子の出力を以下のように活用します。

エネルギーゲート: エネルギーマップ $H_{map}$ を用いて、エンコーダからのスキップ接続をゲート制御します。注目領域（境界や構造）を強調し、背景を抑制します。
運動量注入: 運動量 $p$ をデコーダの各レベルに注入し、境界情報を多スケールで伝達します。これにより、境界検出能力が大幅に向上します。

B. 分類 (HamCls)

U-Net デコーダの代わりに、位相空間プーリングヘッドを使用します。

位相空間特徴ベクトル: 位置（特徴 $f$ $f$ ）、運動量の大きさ（ $|p|$ $∣ p ∣$ ）、エネルギー（ $H$ $H$ ）をそれぞれグローバル平均プーリング（GAP）し、連結して 784 次元のベクトルを形成します。
- $f$ : 画像の内容。
- $|p|$ : テクスチャの複雑さや境界密度（空間的な活動性）。
- $H$ : 全体の励起レベル。
このベクトルを MLP で分類します。

3. 主要な貢献

構造的帰納バイアスの導入: 単一の動力学プロセスから、位置、運動量、エネルギーという機能的に異なる 3 つの中間表現を生成するハミルトニアンボトルネックを提案しました。
タスク適応型ヘッドの設計:
- セグメンテーション向け：エネルギーによるスキップ接続のゲート制御と、多スケールでの運動量注入（HamSeg）。
- 分類向け：位相空間プーリングによる統計的表現の抽出（HamCls）。
高性能かつ軽量なアーキテクチャ: 1 つの共有アーキテクチャで、5 つの画像モダリティにまたがる 10 個のベンチマーク（セグメンテーション 4 件、分類 6 件）において、SOTA（State-of-the-Art）または競合する結果を達成しました。パラメータ数は 700 万〜900 万と、既存の手法（1000 万〜1 億パラメータ級）に比べて極めて少ないです。
解釈可能性の証明: 振動子の出力が、教師なしで物理的に意味のある情報（境界勾配、セリビティなど）を自動的にエンコードすることを定量的に実証しました。

4. 実験結果

4.1 セグメンテーション性能

4 つのベンチマーク（ISIC 2018/2017, TN3K, ACDC）で評価。

ISIC 2018: Dice 係数 89.38%（SOTA）。
ISIC 2017: Dice 係数 88.40%（SOTA）。
TN3K: Dice 係数 87.05%（SOTA）。
ACDC: Dice 係数 92.40%（FreqConvMamba より +2.61% 上回）。
特徴: 8.57M パラメータのみで、105M パラメータの TransUNet や 36M の VM-UNet を凌駕しました。特に ACDC（心臓 MRI）では、多スケールの境界情報が重要となるタスクで顕著な性能向上が見られました。

4.2 分類性能

MedMNIST ベンチマーク（6 データセット）で評価。

BloodMNIST: 精度 98.85%（MedMamba-S より +0.45% 上回）。
PathMNIST: 精度 96.65%（MedMamba-B より +0.25% 上回）。
DermaMNIST: AUC 93.66%（MedViT-S と同等）、精度 77.96%。
BreastMNIST: 精度 89.60%（MedViT-S に迫る結果）。
少ないパラメータ数で、MedMamba や MedViT などの強力なベースラインと競合、あるいは上回る性能を示しました。

4.3 解釈性と信号分析

運動量の境界エンコーディング: 運動量 $|p|$ が、病変の「内部 > 境界 > 外部」の順で高い値を示すことを確認しました（直感的には境界が最大と思われがちですが、振動子の共鳴による内部の蓄積効果が支配的であることが判明）。
エネルギーのセリビティ: エネルギーマップが境界や注目構造で高くなることを確認し、これがスキップ接続のゲート制御として機能していることを実証しました。
ゲートの動作: 学習されたゲートは振動子パスを完全にバイパスせず、約 46% の出力を振動子から得ており、動力学が機能的に活用されていることを示しています。

5. 意義と結論

HamVision は、医療画像分析において、ハミルトニアン動力学を構造的な帰納バイアスとして利用することで、以下の点で画期的な成果を上げました。

パラメータ効率: 物理法則に基づく構造により、追加の学習パラメータを最小限に抑えつつ、多様なタスクで SOTA を達成しました。
一般性: 皮膚科（ダーモスコピー）、超音波、MRI、CT など、対比やノイズ特性が全く異なる 5 つのモダリティで有効性を示しました。これは、振動子が「特徴の変化を検知し、その活動性を評価する」という視覚分析の根本的な要件を捉えていることを示唆しています。
解釈可能性: 中間表現（位置、運動量、エネルギー）が物理的な意味を持ち、ブラックボックス化されずに直接検証可能である点は、医療 AI の信頼性向上に寄与します。

この研究は、Mamba-3 などが示した複素数状態遷移の代数的重要性を、視覚タスクにおける「物理的解釈（位相空間分解）」へと拡張し、医療画像分析のための原理的かつ実用的な基盤を確立した点に大きな意義があります。