論文の概要: MedKAN: An Advanced Kolmogorov-Arnold Network for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2502.18416v1
• Date: Tue, 25 Feb 2025 18:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:07.604782
• Title: MedKAN: An Advanced Kolmogorov-Arnold Network for Medical Image Classification
• Title（参考訳）: MedKAN:医療画像分類のための高度なコルモゴロフ・アルノルドネットワーク
• Authors: Zhuoqin Yang, Jiansong Zhang, Xiaoling Luo, Zheng Lu, Linlin Shen,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) は、非線形変換モデリングを強化する新しいアーキテクチャのクラスである。 本稿では,kanと畳み込み拡張を基盤とした医用画像分類フレームワークであるMedKanを紹介する。 MedKANは、CNNやTransformerベースのモデルと比較して優れたパフォーマンスを実現し、医用画像解析の有効性と一般化性を強調している。
• 参考スコア（独自算出の注目度）: 29.450377034478933
• License:
• Abstract: Recent advancements in deep learning for image classification predominantly rely on convolutional neural networks (CNNs) or Transformer-based architectures. However, these models face notable challenges in medical imaging, particularly in capturing intricate texture details and contextual features. Kolmogorov-Arnold Networks (KANs) represent a novel class of architectures that enhance nonlinear transformation modeling, offering improved representation of complex features. In this work, we present MedKAN, a medical image classification framework built upon KAN and its convolutional extensions. MedKAN features two core modules: the Local Information KAN (LIK) module for fine-grained feature extraction and the Global Information KAN (GIK) module for global context integration. By combining these modules, MedKAN achieves robust feature modeling and fusion. To address diverse computational needs, we introduce three scalable variants--MedKAN-S, MedKAN-B, and MedKAN-L. Experimental results on nine public medical imaging datasets demonstrate that MedKAN achieves superior performance compared to CNN- and Transformer-based models, highlighting its effectiveness and generalizability in medical image analysis.
• Abstract（参考訳）: 画像分類のためのディープラーニングの最近の進歩は、主に畳み込みニューラルネットワーク(CNN)やトランスフォーマーベースのアーキテクチャに依存している。 しかし、これらのモデルは、特に複雑なテクスチャの詳細とコンテキストの特徴を捉える際に、医療画像において顕著な課題に直面している。 Kolmogorov-Arnold Networks (KAN) は、非線形変換モデリングを強化し、複雑な特徴の表現を改善した新しいアーキテクチャのクラスである。 本稿では,KANを基盤とした医用画像分類フレームワークであるMedKanとその畳み込み拡張について紹介する。 MedKANには2つのコアモジュールがある: 微細な特徴抽出のためのローカル情報kan(LIK)モジュールと、グローバルコンテキスト統合のためのグローバル情報kan(GIK)モジュールである。 これらのモジュールを組み合わせることで、MedKANは堅牢な機能モデリングと融合を実現する。 多様な計算ニーズに対応するために,MedKAN-S,MedKAN-B,MedKAN-Lの3種類のスケーラブルな変種を導入する。 9つの公開医用画像データセットの実験結果から、MedKANはCNNやTransformerベースのモデルと比較して優れた性能を示し、医用画像解析の有効性と一般化性を強調した。

関連論文リスト

• KAN-Mamba FusionNet: Redefining Medical Image Segmentation with Non-Linear Modeling [3.2971993272923443]
  本研究では,KAN(Kolmogorov-Arnold Networks)とMamba層を組み合わせた医用画像分割手法を提案する。 提案する Kan-Mamba FusionNet フレームワークは,コンボリューショナル並列トレーニングと自動回帰展開に注目駆動機構を統合することにより,画像セグメンテーションを改善する。
  論文  参考訳（メタデータ） (2024-11-18T09:19:16Z)
• Do Vision Foundation Models Enhance Domain Generalization in Medical Image Segmentation? [10.20366295974822]
  本稿では,2つの最先端デコーダヘッドであるHSAMとHQSAMの要素を統合し,セグメンテーション性能を向上させる新しいデコーダヘッドアーキテクチャであるHQHSAMを紹介する。 種々の解剖学やモダリティを含む複数のデータセットに対する実験により,FM,特にHQHSAMデコードヘッドを用いて,医用画像分割のための領域一般化が向上したことが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-12T11:41:35Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• VM-DDPM: Vision Mamba Diffusion for Medical Image Synthesis [0.8111815974227898]
  状態空間モデル(SSM)に基づくビジョンマンバDDPM(VM-DDPM)を提案する。 我々の知る限り、これはSSM-CNNハイブリッドアーキテクチャに基づく最初の医用画像合成モデルである。 ACDC、BraTS2018、ChestXRayの3つの異なるスケールのデータセットに対する実験的な評価は、VM-DDPMが最先端のパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2024-05-09T10:41:18Z)
• Improved EATFormer: A Vision Transformer for Medical Image Classification [0.0]
  本稿では,ビジョントランスフォーマを用いた医用画像分類のための改良されたアルゴリズムベースのトランスフォーマアーキテクチャを提案する。 提案したEATFormerアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーの長所を組み合わせたものだ。 Chest X-rayデータセットとKvasirデータセットの実験結果から,提案したEATFormerはベースラインモデルと比較して予測速度と精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-03-19T21:40:20Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• MCPA: Multi-scale Cross Perceptron Attention Network for 2D Medical Image Segmentation [7.720152925974362]
  MCPA(Multiscale Cross Perceptron Attention Network)と呼ばれる2次元医用画像分割モデルを提案する。 MCPAは、エンコーダ、デコーダ、クロスパーセプトロンの3つの主要コンポーネントで構成されている。 提案したMCPAモデルを,様々なタスクやデバイスから利用可能ないくつかの医用画像データセット上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T02:18:12Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
  医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。 セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。 医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
  論文  参考訳（メタデータ） (2021-02-21T18:35:14Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。