PDS-UKAN:连接到U-KAN网络的分区跳转用于医疗图像细分
Liwei Deng1, Wenbo Wang2, Songyu Chen3
1Heilongjiang Provincial Key Laboratory of Complex Intelligent System and Integration, School of Automation, Harbin University of Science and Technology, Harbin, Heilongjiang 150080, China; School of Computer Science and Technology, Harbin University of Science and Technology, Harbin, Heilongjiang 150080, China.
概括
本研究介绍了PDS-UKAN,这是一个新的U-KAN网络,用于增强医疗图像细分. 它通过完善边界和保存空间信息来提高准确性,优于现有的方法.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的医学图像细分对于诊断和治疗规划至关重要.
- U型网络 (CNN,变压器) 是有效的,但在非线性建模,上下文和可解释性方面存在局限性.
- 在编码器-解码器架构中现有的跳过连接与信息丢失和特征表示作斗争.
研究的目的:
- 提出PDS-UKAN网络,一个基于分区的U-KAN架构,以提高医疗图像细分的准确性.
- 解决传统U形网络的局限性,包括非线性建模,上下文和可解释性.
- 在细分任务中改进边缘细节的保存和空间信息的保留.
主要方法:
- 引入了PDS-UKAN网络,将PKAN模块 (部分卷积,Kolmogorov-Arnold网络层) 集成到编码器瓶中.
- 开发了一种双分支卷积边界增强模块 (DBE),用于在浅跳过连接中精制像素级边界.
- 在更深的跳过连接中实现了一个跳过连接通道空间注意模块 (SCCSA),以增强跨维特征交互.
主要成果:
- 在多个医学成像数据集中,PDS-UKAN表现出卓越的性能.
- 该PKAN模块增强了非线性建模和解释能力.
- DBE和SCCSA模块有效地改善了边界保护和空间信息保留.
结论:
- PDS-UKAN在医疗图像细分方面取得了重大进展.
- 拟议的架构改进解决了现有U形网络的关键局限性.
- PDS-UKAN取得了最先进的结果,显示了其临床应用的潜力.
