KANDU-Net:A Dual-Channel U-Net with KAN for Medical Image Segmentation

要約

U-Net モデルは、その導入以来、さまざまな改善と機能強化が行われ、医用画像セグメンテーションの分野で優れたパフォーマンスを一貫して実証してきました。
この論文では、KAN ネットワークの強力な非線形表現機能と U-Net の確立された強みを活用して、KAN ネットワークと U-Net を統合する新しいアーキテクチャを紹介します。
モデルがローカルとグローバルの両方の特徴をより効果的にキャプチャできるようにする KAN 畳み込みデュアル チャネル構造を導入します。
私たちは、この統合プロセスを促進する補助ネットワークを利用して、KAN によって抽出された特徴と畳み込み層を通じて取得された特徴を融合するための効果的な方法を探索します。
複数のデータセットにわたって実施された実験では、モデルが精度の点で良好に機能することが示されており、KAN 畳み込みデュアルチャネル アプローチが医療画像セグメンテーション タスクにおいて大きな可能性を秘めていることが示されています。

要約(オリジナル)

The U-Net model has consistently demonstrated strong performance in the field of medical image segmentation, with various improvements and enhancements made since its introduction. This paper presents a novel architecture that integrates KAN networks with U-Net, leveraging the powerful nonlinear representation capabilities of KAN networks alongside the established strengths of U-Net. We introduce a KAN-convolution dual-channel structure that enables the model to more effectively capture both local and global features. We explore effective methods for fusing features extracted by KAN with those obtained through convolutional layers, utilizing an auxiliary network to facilitate this integration process. Experiments conducted across multiple datasets show that our model performs well in terms of accuracy, indicating that the KAN-convolution dual-channel approach has significant potential in medical image segmentation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google