SCKAN：基于结构共识的 KAN 原型学习用于半监督胰腺分割
计算机视觉与模式识别
2026-05-27 v1
摘要
精确的胰腺分割对于早期癌症诊断至关重要，标注稀缺导致半监督学习 (SSL) 成为必要方法。然而，由于显著的样本形态变异，现有的 SSL 方法在稀疏监督下面临严重的可解释性限制，导致监督偏置问题。为此，我们提出了结构共识驱动的 KAN 原型学习 (SCKAN)，构建了首个基于 Kolmogorov-Arnold 网络 (KAN) 的跨样本结构共识学习，以实现更通用和准确的分割。具体而言，SCKAN包含两个关键设计：结构受约束的原型一致性学习 (SPCL)，通过在原型级别对比优化来强制跨样本一致性，从而引导无偏的结构表示；以及基于共识的 Kolmogorov-Arnold 融合 (CKaF)，通过 KAN 的自适应 B 样条非线性函数聚合稳定的共识并过滤样本级噪声，以减少形态特定偏置。在两个公开胰腺数据集上的大量实验表明了 SCKAN 的有效性。代码地址为 https://github.com/rhodaliu17/SCKAN。
引用
@article{arxiv.2605.27032,
title = {SCKAN: Structural Consensus-based KAN Prototype Learning for Semi-Supervised Pancreas Segmentation},
author = {Yuqi Liu and Yufei Chen and Wei Fu and Xiaodong Yue and Shuo Li},
journal= {arXiv preprint arXiv:2605.27032},
year = {2026}
}
备注
10.5 pages, 5 figures, Medical Image Computing and Computer Assisted Intervention 2026