論文の概要: MedVKAN: Efficient Feature Extraction with Mamba and KAN for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.11797v1
• Date: Sat, 17 May 2025 02:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.853588
• Title: MedVKAN: Efficient Feature Extraction with Mamba and KAN for Medical Image Segmentation
• Title（参考訳）: MedVKAN:マンバとカンによる医用画像分割のための効率的な特徴抽出
• Authors: Hancan Zhu, Jinhao Chen, Guanghua He,
• Abstract要約: 医用画像分割は畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのモデルに大きく依存している。 我々は,マンバとカンを統合した効率的な特徴抽出モデルであるMedVKANを提案する。 MedVKANは4つのデータセットで最先端のパフォーマンスを達成し、残りのデータセットでは2位であることを示す。
• 参考スコア（独自算出の注目度）: 1.0650780147044159
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image segmentation relies heavily on convolutional neural networks (CNNs) and Transformer-based models. However, CNNs are constrained by limited receptive fields, while Transformers suffer from scalability challenges due to their quadratic computational complexity. To address these limitations, recent advances have explored alternative architectures. The state-space model Mamba offers near-linear complexity while capturing long-range dependencies, and the Kolmogorov-Arnold Network (KAN) enhances nonlinear expressiveness by replacing fixed activation functions with learnable ones. Building on these strengths, we propose MedVKAN, an efficient feature extraction model integrating Mamba and KAN. Specifically, we introduce the EFC-KAN module, which enhances KAN with convolutional operations to improve local pixel interaction. We further design the VKAN module, integrating Mamba with EFC-KAN as a replacement for Transformer modules, significantly improving feature extraction. Extensive experiments on five public medical image segmentation datasets show that MedVKAN achieves state-of-the-art performance on four datasets and ranks second on the remaining one. These results validate the potential of Mamba and KAN for medical image segmentation while introducing an innovative and computationally efficient feature extraction framework. The code is available at: https://github.com/beginner-cjh/MedVKAN.
• Abstract（参考訳）: 医用画像分割は畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのモデルに大きく依存している。 しかし、CNNは限定的な受容場に制約されているのに対し、Transformerは2次計算の複雑さのためにスケーラビリティの問題に悩まされている。 これらの制限に対処するため、最近の進歩は代替アーキテクチャを探求している。 状態空間モデルであるMambaは、長距離依存を捕捉しながらほぼ直線的な複雑さを提供し、KAN(Kolmogorov-Arnold Network)は、固定活性化関数を学習可能な関数に置き換えることで非線形表現性を向上させる。 そこで本研究では,マンバとカンを統合した効率的な特徴抽出モデルであるMedVKANを提案する。 具体的には,EFC-KANモジュールを導入し,局所的なピクセル間相互作用を改善するために畳み込み操作によりkanを強化する。 我々はさらに、トランスフォーマーモジュールの代替として、MambaとEFC-KANを統合したVKANモジュールを設計し、機能抽出を大幅に改善した。 5つの公開医用画像セグメンテーションデータセットに対する大規模な実験により、MedVKANは4つのデータセットで最先端のパフォーマンスを達成し、残りのデータセットの2位にランクインしている。 これらの結果は,革新的で計算効率のよい特徴抽出フレームワークを導入しながら,マンバとカンの医用画像分割の可能性を検証するものである。 コードは、https://github.com/beginner-cjh/MedVKAN.comで入手できる。

関連論文リスト

• MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
  医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。 MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。 以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-19T07:51:14Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• CAMS: Convolution and Attention-Free Mamba-based Cardiac Image Segmentation [0.508267104652645]
  畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースの自己アテンションモデルは、医療画像セグメンテーションの標準となっている。 本稿では,CAMS-Netという,コンボリューションと自己意図のないマンバに基づくセマンティックネットワークを提案する。 我々のモデルは,CMRおよびM&Ms-2カードセグメンテーションデータセットにおける既存の最先端CNN,自己注意,およびMambaベースの手法よりも優れている。
  論文  参考訳（メタデータ） (2024-06-09T13:53:05Z)
• U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation [48.40120035775506]
  Kolmogorov-Arnold Networks (KAN)は、非線形学習可能なアクティベーション関数のスタックを通じてニューラルネットワーク学習を再構築する。 トークン化中間表現であるU-KAN上に専用kan層を統合することにより,確立したU-Netパイプラインを検証,修正,再設計する。 さらに、拡散モデルにおける代替U-Netノイズ予測器としてのU-KANの可能性を探り、タスク指向モデルアーキテクチャの生成にその適用性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T04:13:03Z)
• LKM-UNet: Large Kernel Vision Mamba UNet for Medical Image Segmentation [9.862277278217045]
  本稿では,医療画像分割のためのLKM-U-shape Network(LKM-UNet)を提案する。 LKM-UNetの際立った特徴は、小さなカーネルベースのCNNやトランスフォーマーに比べて、局所的な空間モデリングに優れた大きなMambaカーネルの利用である。 包括的実験は、大規模なマンバ核を用いて大きな受容場を実現することの実現可能性と有効性を示す。
  論文  参考訳（メタデータ） (2024-03-12T05:34:51Z)
• Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
  本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。 Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:58:11Z)
• U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation [10.083902382768406]
  バイオメディカルイメージセグメンテーションのための汎用ネットワークであるU-Mambaを紹介する。 ディープシークエンスモデルの新たなファミリーであるState Space Sequence Models (SSM) にインスパイアされ、我々はハイブリッドCNN-SSMブロックを設計する。 我々は,CTおよびMR画像における腹部臓器の3次元分節化,内視鏡画像における計器の分節化,顕微鏡画像における細胞分節化の4つの課題について実験を行った。
  論文  参考訳（メタデータ） (2024-01-09T18:53:20Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)

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。