基于 Mamba 与 KAN 的医学图像分割高效特征提取：MedVKAN
图像与视频处理
2025-10-14 v2 计算机视觉与模式识别
摘要
医学图像分割传统上依赖卷积神经网络（CNN）和基于 Transformer 的模型。CNN 受限于感受野有限，而 Transformer 因二次计算复杂度面临可扩展性挑战。为克服这些问题，近期研究探索了替代架构。Mamba 模型是一种选择性时域空间设计，实现近线性复杂度，有效捕获长程依赖。其面向视觉的变体——视觉时域空间（VSS）模型，将这些优势扩展到图像特征学习。与此同时，Kolmogorov-Arnold 网络（KAN）通过替换固定激活函数为可学习函数来增强非线性表达能力。基于这些进展，我们提出 VSS 增强型 KAN（VKAN）模块，将 VSS 与扩展字段卷积 KAN（EFC-KAN）集成，以取代 Transformer 模块，从而强化特征提取。我们进一步将 VKAN 嵌入 U-Net 框架，构建医学图像分割模型 MedVKAN。广泛的实验表明，MedVKAN 在五个公开数据集上实现了状态突破，四个数据集上名列第一，剩余一个数据集上名列第二。这些结果凸显了结合 Mamba 与 KAN 的有效性，同时引入了一种新型且计算高效的特征提取框架。源代码已公开：https://github.com/beginner-cjh/MedVKAN。
引用
@article{arxiv.2505.11797,
title = {MedVKAN: Efficient Feature Extraction with Mamba and KAN for Medical Image Segmentation},
author = {Hancan Zhu and Jinhao Chen and Guanghua He},
journal= {arXiv preprint arXiv:2505.11797},
year = {2025}
}
备注
This preprint has been published in Biomedical Signal Processing and Control, Volume 112, 2026, Article 108821