面向医学图像分割的混合Kolmogorov-Arnold网络
计算机视觉与模式识别
2026-02-10 v1
摘要
医学图像分割在诊断和治疗规划中发挥着关键作用，但由于医学图像固有的复杂性和变异性，尤其是在捕捉数据中非线性关系方面仍面临挑战。我们提出了U-KABS，这是一个新型混合框架，将Kolmogorov-Arnold网络（KANs）的表达力与U型编码器-解码器架构相结合，以增强分割性能。U-KABS模型结合了卷积和压缩注意力阶段，这些阶段增强了通道级特征表示，以及KAN Bernstein样条（KABS）阶段，其采用基于Bernstein多项式和B样条的可学习激活函数。这种混合设计利用Bernstein多项式的全局光滑性和B样条的局部适应性，使模型能够有效捕捉医学图像中复杂结构的宽广背景趋势和细粒度模式。编码器和解码器层之间的跳跃连接支持有效的多尺度特征融合并保留空间细节。在多样化的医学图像基准数据集上评估了U-KABS，结果表明其在分割复杂解剖结构方面优于强大的基线方法，尤其在分割复杂解剖结构方面表现尤为突出。
引用
@article{arxiv.2602.07702,
title = {A hybrid Kolmogorov-Arnold network for medical image segmentation},
author = {Deep Bhattacharyya and Ali Ayub and A. Ben Hamza},
journal= {arXiv preprint arXiv:2602.07702},
year = {2026}
}