U-MAN：用于医学图像分割的多尺度自适应 KAN U-Net 网络
计算机视觉与模式识别
2025-10-01 v2
摘要
由于复杂的解剖结构和病理区域，医学图像分割在保留细粒度细节和精确边界方面面临重大挑战。这些挑战主要源于传统 U-Net 架构的两个关键局限性：（1）其简单的跳跃连接忽略了各种特征之间编码器-解码器的语义鸿沟，（2）它们在深层缺乏多尺度特征提取能力。为了应对这些挑战，我们提出了多尺度自适应 KAN U-Net（U-MAN），这是一种新颖的架构，通过两个专用模块增强了新兴的 Kolmogorov-Arnold Network (KAN)：渐进式注意力引导特征融合（PAGF）和多尺度自适应 KAN（MAN）。我们的 PAGF 模块取代了简单的跳跃连接，利用注意力融合来自编码器和解码器的特征。MAN 模块使网络能够自适应地处理多个尺度的特征，提高了其分割各种大小对象的能力。在三个公共数据集（BUSI、GLAS 和 CVC）上的实验表明，U-MAN 优于 state-of-the-art 方法，特别是在定义精确边界和保留细节方面。
引用
@article{arxiv.2509.22444,
title = {U-MAN: U-Net with Multi-scale Adaptive KAN Network for Medical Image Segmentation},
author = {Bohan Huang and Qianyun Bao and Haoyuan Ma},
journal= {arXiv preprint arXiv:2509.22444},
year = {2025}
}