UKAN-EP：融合高效注意力与金字塔聚合的 U-KAN 增强方法，用于三维多模态 MRI 脑肿瘤分割
图像与视频处理
2026-01-05 v3 计算机视觉与模式识别
摘要
背景：胶质瘤是最常见的恶性脑肿瘤之一，具有显著的异质性，给精确检测与分割带来困难。尽管多模态 MRI 是胶质瘤成像的临床标准，但模态间的差异性和高计算需求阻碍了有效的自动分割。方法：我们提出 UKAN-EP，这是原始二维 U-KAN 模型的三维扩展，用于多模态 MRI 脑肿瘤分割。U-KAN 将 Kolmogorov-Arnold 网络（KAN）层集成到 U-Net 主干中，而 UKAN-EP 进一步引入高效通道注意力（ECA）和金字塔特征聚合（PFA）模块，以增强模态间特征融合和多尺度特征表示。我们还引入了一种动态损失加权策略，在训练过程中自适应地平衡交叉熵损失和 Dice 损失。结果：在 2024 BraTS-GLI 数据集上，UKAN-EP 取得了优异的分割性能（例如，全肿瘤 Dice = 0.9001 ± 0.0127，IoU = 0.8257 ± 0.0186），同时相比 U-Net、Attention U-Net、Swin UNETR、VT-Unet、TransBTS 和 3D U-KAN 等强基线大幅减少了计算资源消耗（223.57 GFLOPs 和 11.30M 参数）。广泛的消融研究进一步验证了 ECA 和 PFA 的有效性，并表明自注意力与空间注意力替代方案的效用有限。结论：UKAN-EP 证明了将 KAN 层的表达能力与轻量级通道注意力和多尺度特征聚合相结合，能够提升脑肿瘤分割的精度与效率。
引用
@article{arxiv.2408.00273,
title = {UKAN-EP: Enhancing U-KAN with Efficient Attention and Pyramid Aggregation for 3D Multi-Modal MRI Brain Tumor Segmentation},
author = {Yanbing Chen and Tianze Tang and Taehyo Kim and Hai Shu},
journal= {arXiv preprint arXiv:2408.00273},
year = {2026}
}