基于泰勒级数展开的Kolmogorov-Arnold网络用于医学影像分类
计算机视觉与模式识别
2025-09-18 v1
摘要
在计算机辅助诊断中，尤其是在资源有限的临床环境下，对医学图像进行有效且可解释的分类仍是一个挑战。本研究引入基于样条函数的Kolmogorov-Arnold网络 (KAN)，用于有限且多样化数据集上的医学图像分类。模型包括整合B样条与泰勒级数的 SBTAYLOR-KAN、将B样条与径向基函数相结合的 SBRBF-KAN，以及将B样条嵌入Morlet小波变换中的 SBWAVELET-KAN。这些方法利用基于样条函数的函数逼近来捕捉局部和全局非线性。该模型在脑部MRI、胸部X光、结核X光和皮肤皮损图像上进行评估，无需预处理，展示了从原始数据直接学习的能力。广泛的实验，包括跨数据集验证和数据降低分析，显示出强大的泛化能力和稳定性。SBTAYLOR-KAN实现了最高达98.93%的准确率，保持平衡的F1分数，在三个数据集中仅使用30%的训练数据即可保持超过86%的准确率。尽管面临类别不平衡的皮肤癌数据集上，针对不平衡和平衡版本的实验显示，SBTAYLOR-KAN仍优于其他模型，达到68.22%的准确率。与需要数百万参数的传统卷积神经网络（如ResNet50拥有2418万参数）不同，SBTAYLOR-KAN仅需2872个可训练参数即可实现相当的性能，使其更适用于受限的医疗环境。我们使用梯度加权类激活映射 (Grad-CAM) 进行可解释性分析，突出显示医学图像中的相关区域。该框架提供了一种轻量、可解释且通用的医学图像分类解决方案，解决了在临床AI应用中有限数据集和数据稀缺场景的挑战。
引用
@article{arxiv.2509.13687,
title = {Taylor-Series Expanded Kolmogorov-Arnold Network for Medical Imaging Classification},
author = {Kaniz Fatema and Emad A. Mohammed and Sukhjit Singh Sehra},
journal= {arXiv preprint arXiv:2509.13687},
year = {2025}
}