MedKAN：用于医学图像分类的高级柯尔莫哥洛夫-阿诺德网络
计算机视觉与模式识别
2025-02-26 v1
摘要
近期深度学习在图像分类方面的进展主要依赖于卷积神经网络（CNN）或基于Transformer的架构。然而，这些模型在医学成像领域面临显著挑战，特别是在捕获精细纹理细节和上下文特征方面。柯尔莫哥洛夫-阿诺德网络（KAN）代表一类新型架构，能够增强非线性变换建模，提供对复杂特征的更优表示。在本工作中，我们提出了MedKAN，一个基于KAN及其卷积扩展的医学图像分类框架。MedKAN包含两个核心模块：用于细粒度特征提取的局部信息KAN（LIK）模块和用于全局上下文整合的全局信息KAN（GIK）模块。通过组合这些模块，MedKAN实现了鲁棒的特征建模与融合。为满足多样化的计算需求，我们引入了三个可扩展变体——MedKAN-S、MedKAN-B和MedKAN-L。在九个公共医学影像数据集上的实验结果表明，MedKAN在性能上优于CNN和基于Transformer的模型，突出了其在医学图像分析中的有效性和泛化能力。
引用
@article{arxiv.2502.18416,
title = {MedKAN: An Advanced Kolmogorov-Arnold Network for Medical Image Classification},
author = {Zhuoqin Yang and Jiansong Zhang and Xiaoling Luo and Zheng Lu and Linlin Shen},
journal= {arXiv preprint arXiv:2502.18416},
year = {2025}
}