KAN-Mamba FusionNet：以非线性建模重新定义医学图像分割
计算机视觉与模式识别
2025-05-23 v2
摘要
医学图像分割对于机器人手术、疾病诊断和治疗规划等应用至关重要。近期，已有多种深度学习模型被提出以增强医学图像分割。一种有前景的方法利用了 Kolmogorov-Arnold Networks (KAN)，它能更好地捕捉输入数据中的非线性。然而，它们无法有效捕捉长程依赖，而长程依赖对于准确分割复杂医学图像从而提高临床环境下的诊断准确性是必需的。诸如 Mamba 等神经网络可以处理长程依赖。然而，与 KAN 相比，它们准确捕捉图像非线性的能力有限。因此，我们提出了一种新颖的架构 KAN-Mamba FusionNet，该架构通过新提出的 KAMBA 模块有效捕捉输入中的非线性并处理长程依赖，从而提高分割精度。我们在三个不同的医学图像分割数据集：BUSI、Kvasir-Seg 和 GlaS 上评估了所提出的 KAN-Mamba FusionNet，发现其在 IoU 和 F1 分数上始终优于 SOTA 方法。此外，我们检查了各个组件的作用，并通过消融实验评估了它们对整体模型性能的贡献。研究结果突显了该方法在可靠医学图像分割中的有效性，为解决医疗保健中复杂的视觉数据问题提供了一种独特途径。
引用
@article{arxiv.2411.11926,
title = {KAN-Mamba FusionNet: Redefining Medical Image Segmentation with Non-Linear Modeling},
author = {Akansh Agrawal and Akshan Agrawal and Shashwat Gupta and Priyanka Bagade},
journal= {arXiv preprint arXiv:2411.11926},
year = {2025}
}
备注
11 pages, 2 figures, 4 tables