DB-KAUNet：用于视网膜血管分割的自适应双分支Kolmogorov-Arnold UNet
计算机视觉与模式识别
2025-12-02 v1
摘要
视网膜血管的精准分割对于诊断众多眼科和全身疾病至关重要。然而，传统的卷积神经网络（CNN）方法存在固有局限，难以捕捉长程依赖和复杂非线性关系。为此，提出一种用于视网膜血管分割的自适应双分支Kolmogorov-Arnold UNet（DB-KAUNet）。在DB-KAUNet中，我们设计了包含平行CNN和Transformer路径的异构双分支编码器（HDBE）。HDBE策略性地交错排列标准CNN和Transformer模块，以及新颖的KANConv和KAT块，使模型能够形成全面的特征表示。为优化特征处理，我们将多个关键组件集成到HDBE中。首先，嵌入跨分支通道交互（CCI）模块，以高效地在平行路径之间实现通道特征的交互。其次，采用基于注意力的空间特征增强（SFE）模块，以增强空间特征并融合两个分支的输出。在SFE模块之上，开发了一种高级空间特征增强与几何自适应融合（SFE-GAF）模块。在SFE-GAF模块中，利用自适应抽样聚焦于真实血管形态学。该自适应过程强化显著的血管特征，同时显著降低背景噪声和计算开销。在DRIVE、STARE和CHASE_DB1数据集上的广泛实验表明，DB-KAUNet实现了领先的分割性能，并展现出卓越的鲁棒性。
引用
@article{arxiv.2512.01657,
title = {DB-KAUNet: An Adaptive Dual Branch Kolmogorov-Arnold UNet for Retinal Vessel Segmentation},
author = {Hongyu Xu and Panpan Meng and Meng Wang and Dayu Hu and Liming Liang and Xiaoqi Sheng},
journal= {arXiv preprint arXiv:2512.01657},
year = {2025}
}