U-GRKAN:用于医疗图像分割的高效和可解释的架构
Xiaohong Wu1, Sheng Ji1, Jie Tao2
1School of Information Engineering, Huzhou University, Huzhou, 313000, Zhejiang, China.
Journal of imaging informatics in medicine
|November 6, 2025
概括
一个新的U形网络与多组理性KAN (U-GRKAN) 提高了医疗图像细分的准确性和可解释性. 这种方法减少了参数,并增强了跨区域建模,以实现更安全,更可靠的临床决策.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 深度学习架构 深度学习架构
背景情况:
- 分段精度对于安全的医疗治疗和可靠的临床决策至关重要.
- 现有的U形网络和变压器架构在建模,融合和可解释性方面存在局限性.
研究的目的:
- 引入一个新的深度学习框架,U-GRKAN,提高细分精度,减少复杂性,提高可解释性.
- 解决当前细分网络中跨区域建模和自适应性跨层融合方面的局限性.
主要方法:
- 通过用群共享的理性函数取代 B-splines,开发了一个多组理性 KAN (MGR-KAN).
- 将MGR-KAN集成到U型网络 (U-GRKAN),减少了48%的参数,并实现了功能级别的解释性.
- 采用了适应性跨层融合的道注意力.
主要成果:
- 在四个不同的数据集 (BUSI,GlasS,CVC,COVID-19-CT-Seg) 中获得了高的IOU/F1得分,超过了排名第二的模型.
- 在细分业绩方面表现出显著的改进,增幅高达2.63/2.01 (IoU/F1).
- 乌格兰 (U-GRKAN) 在准确性,复杂性和可解释性之间取得了卓越的平衡.
结论:
- 在医疗图像细分方面,U-GRKAN提供了一个更加平衡和可解释的解决方案.
- 拟议的方法在各种成像模式中表现出强大的概括潜力.
- 这一框架提高了人工智能驱动的临床决策的可靠性和安全性.
