学习基于KAN的隐式神经表示用于可变形图像配准
计算机视觉与模式识别
2025-09-30 v1
摘要
可变形图像配准（DIR）是医学图像分析的基石，能够为比较研究和多模态融合等任务实现空间对齐。虽然基于学习的方法（例如CNN、Transformer）提供了快速的推理速度，但它们通常需要大型训练数据集，并且在某些器官类型和成像模态上难以达到经典迭代方法的精度。隐式神经表示（INR）已成为一种有前景的替代方案，它将形变参数化为从坐标到位移向量的连续映射。然而，这是以需要特定于实例的优化为代价的，使得计算效率和依赖于种子的学习稳定性成为这些方法的关键因素。在这项工作中，我们提出了KAN-IDIR和RandKAN-IDIR，这是首次将Kolmogorov-Arnold网络（KAN）集成到使用隐式神经表示（INR）的可变形图像配准中。我们提出的随机基采样策略减少了KAN中所需的基函数数量，同时保持了配准质量，从而显著降低了计算成本。我们在三个不同的数据集（肺部CT、脑部MRI、心脏MRI）上评估了我们的方法，并将其与竞争的实例特定学习方法、数据集训练的深度学习模型以及经典配准方法进行了比较。KAN-IDIR和RandKAN-IDIR在所有评估的模态和解剖结构上，在基于INR的方法中达到了最高的准确率，同时计算开销最小，并且在多个随机种子下具有优越的学习稳定性。此外，我们发现，采用随机基采样的RandKAN-IDIR模型在性能上略优于具有可学习基函数索引的模型，同时消除了其额外的训练时间复杂性。
引用
@article{arxiv.2509.22874,
title = {Learning KAN-based Implicit Neural Representations for Deformable Image Registration},
author = {Nikita Drozdov and Marat Zinovev and Dmitry Sorokin},
journal= {arXiv preprint arXiv:2509.22874},
year = {2025}
}