SegKAN：用于高分辨率医学图像分割的长程依赖模型
图像与视频处理
2025-01-03 v2 计算机视觉与模式识别
摘要
计算机断层扫描中肝脏血管常常出现图像碎片化和噪声干扰，导致血管完整性受损，给血管分割带来重大挑战。为此，我们提出一种创新模型：SegKAN。首先，我们采用新型卷积网络结构改进常规嵌入模块，用于图像嵌入，平滑图像噪声，防止后续阶段出现梯度爆炸等问题。接着，将 Patch 块之间的空间关系转化为时间关系，以解决传统视觉 Transformer 模型中捕获 Patch 块位置关系的难题。在肝脏血管数据集上进行实验，与现有最先进模型相比，Dice 评分提升了 1.78%。这些结果表明，所提出的新结构有效提升了高分辨率扩展对象的分割性能。代码将在 https://github.com/goblin327/SegKAN 提供。
引用
@article{arxiv.2412.19990,
title = {SegKAN: High-Resolution Medical Image Segmentation with Long-Distance Dependencies},
author = {Shengbo Tan and Rundong Xue and Shipeng Luo and Zeyu Zhang and Xinran Wang and Lei Zhang and Daji Ergu and Zhang Yi and Yang Zhao and Ying Cai},
journal= {arXiv preprint arXiv:2412.19990},
year = {2025}
}