相关实验视频
Updated: Mar 17, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
852
一个平行的UNet集成KAN和mamba用于医疗图像细分
Jiyuan Liu1, Jiabao Wu1, Liming Xu1,2
1School of Computer Science, China West Normal University, Nanchong, 637009, China.
Scientific reports
|March 16, 2026
概括
KMP-UNet是一个新的医疗图像细分模型,有效地捕捉使用Mamba的远程上下文,以及使用Kolmogorov-Arnold网络 (KAN) 的非线性特征. 这种紧的框架可以实现对基准数据集的高准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医学图像细分对于临床诊断至关重要,有助于病变和器官边界划分.
- 目前的UNet模型由卷积神经网络 (CNN) 主导,与远程上下文信息作斗争.
- 基于变压器的方法提供了上下文,但由于二次性注意力机制,通常会产生高的计算成本.
研究的目的:
- 开发一个高效和有效的医疗图像细分框架,克服现有模型的局限性.
- 介绍KMP-UNet,这是一个新的U形架构,集成了Mamba和Kolmogorov-Arnold网络 (KAN).
- 增强特征表示和上下文建模,以提高细分性能.
主要方法:
- 提出了KMP-UNet,一个平行U形网络,结合了基于Mamba的分支用于线性复杂性上下文建模和Kolmogorov-Arnold网络 (KAN) 分支用于非线性特征表示.
- 引入了以任务为导向的融合块和跳过改进模块,以利用层次化的编码器-解码器功能.
- 实现了一个具有大约100万参数的紧型号.
主要成果:
- 在四个公共数据集上对KMP-UNet进行了评估:ISIC2017,ISIC2018,CVC-ClinicDB和BUSI.
- 取得了具有竞争力的细分性能,包括0.9038子相似系数 (DSC) 和ISIC2018数据集上的0.9600准确性.
- 通过广泛的废弃研究,证明了拟议的融合和精炼模块的有效性.
结论:
- KMP-UNet为医疗图像细分提供了一种高效和强大的方法.
- 曼巴和KAN的整合为平衡上下文理解和非线性特征提取提供了一个有希望的方向.
- 紧的设计和强大的性能突显了KMP-UNet在临床应用中的潜力.
