論文の概要: FunKAN: Functional Kolmogorov-Arnold Network for Medical Image Enhancement and Segmentation

• arxiv url: http://arxiv.org/abs/2509.13508v1
• Date: Tue, 16 Sep 2025 20:13:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.637882
• Title: FunKAN: Functional Kolmogorov-Arnold Network for Medical Image Enhancement and Segmentation
• Title（参考訳）: FunKAN:医療画像の強調とセグメンテーションのための機能的コルモゴロフ・アルノルドネットワーク
• Authors: Maksim Penkin, Andrey Krylov,
• Abstract要約: 機能的コルモゴロフ・アルノルドネットワーク(FunKAN)は、画像処理のための新しい解釈可能なニューラルネットワークフレームワークである。 FunKAN はコルモゴロフ・アルノルド表現定理を汎函数空間に一般化し、内部関数を学ぶ。 我々の研究は、理論関数近似と医用画像解析のギャップを埋め、臨床応用のための堅牢で解釈可能なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image enhancement and segmentation are critical yet challenging tasks in modern clinical practice, constrained by artifacts and complex anatomical variations. Traditional deep learning approaches often rely on complex architectures with limited interpretability. While Kolmogorov-Arnold networks offer interpretable solutions, their reliance on flattened feature representations fundamentally disrupts the intrinsic spatial structure of imaging data. To address this issue we propose a Functional Kolmogorov-Arnold Network (FunKAN) -- a novel interpretable neural framework, designed specifically for image processing, that formally generalizes the Kolmogorov-Arnold representation theorem onto functional spaces and learns inner functions using Fourier decomposition over the basis Hermite functions. We explore FunKAN on several medical image processing tasks, including Gibbs ringing suppression in magnetic resonance images, benchmarking on IXI dataset. We also propose U-FunKAN as state-of-the-art binary medical segmentation model with benchmarks on three medical datasets: BUSI (ultrasound images), GlaS (histological structures) and CVC-ClinicDB (colonoscopy videos), detecting breast cancer, glands and polyps, respectively. Experiments on those diverse datasets demonstrate that our approach outperforms other KAN-based backbones in both medical image enhancement (PSNR, TV) and segmentation (IoU, F1). Our work bridges the gap between theoretical function approximation and medical image analysis, offering a robust, interpretable solution for clinical applications.
• Abstract（参考訳）: 医用画像の強調とセグメンテーションは、現代臨床における重要な課題であるが、アーティファクトや複雑な解剖学的変異によって制約されている。 従来のディープラーニングアプローチは、解釈可能性に制限のある複雑なアーキテクチャに依存していることが多い。 Kolmogorov-Arnoldネットワークは解釈可能な解を提供するが、平坦な特徴表現への依存は、画像データの本質的な空間構造を根本的に破壊する。 この問題に対処するために,機能的コルモゴロフ・アルノルドネットワーク (FunKAN) を提案する。FunKANは,画像処理に特化して設計された新しい解釈可能なニューラルフレームワークで,コルモゴロフ・アルノルド表現定理を関数空間に正式に一般化し,基本ヘルミテ関数上でフーリエ分解を用いて内部関数を学習する。 我々は、磁気共鳴画像におけるギブスリング抑制、IXIデータセットのベンチマークなど、いくつかの医療画像処理タスクについてFunKANを探索する。 また, U-FunKAN を, BUSI (超音波画像), GlaS (組織構造), CVC-ClinicDB (大腸内視鏡ビデオ), 乳がん, 腺, ポリープの3つの医学データセットのベンチマークを用いて, 最先端のバイナリ医療セグメンテーションモデルとして提案する。 これらの多種多様なデータセットを用いた実験により、医療画像強調(PSNR, TV)とセグメンテーション(IoU, F1)において、我々のアプローチが他のKANベースバックボーンよりも優れていることが示された。 我々の研究は、理論関数近似と医用画像解析のギャップを埋め、臨床応用のための堅牢で解釈可能なソリューションを提供する。

関連論文リスト

• Large Language Model Evaluated Stand-alone Attention-Assisted Graph Neural Network with Spatial and Structural Information Interaction for Precise Endoscopic Image Segmentation [16.773882069530426]
  本研究では,空間グラフと構造グラフを融合したFOCUS-Medを提案する。 FOCUS-Medは、Dual Graph Convolutional Network (Dual-GCN)モジュールを統合し、コンテキスト空間および位相構造上の依存関係をキャプチャする。 公開ベンチマークの実験では、FOCUS-Medが5つの主要な指標で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-08-09T15:53:19Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• MedFuncta: Modality-Agnostic Representations Based on Efficient Neural Fields [1.931185411277237]
  我々は、ニューラルネットワークに基づくモダリティに依存しない連続データ表現であるMedFunctaを紹介する。 医療信号の冗長性を利用して、単一インスタンスから大規模データセットにニューラルネットワークをスケールする方法を実証する。 我々は、この方向の研究を促進するために、 > 550kの注釈付きニューラルネットワークの大規模なデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-02-20T09:38:13Z)
• FAN-Unet: Enhancing Unet with vision Fourier Analysis Block for Biomedical Image Segmentation [5.318153305245246]
  本稿では,Fourier Analysis Network(FAN)ベースのビジョンバックボーンとU-Netアーキテクチャの長所を組み合わせた,新しいアーキテクチャであるFAN-UNetを提案する。 提案したVision-FANレイヤは、FANレイヤと自己アテンションメカニズムを統合し、Fourier分析を活用して、モデルが長距離依存関係と周期的関係の両方を効果的にキャプチャすることを可能にする。
  論文  参考訳（メタデータ） (2024-11-28T07:53:47Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Spatially Dependent U-Nets: Highly Accurate Architectures for Medical Imaging Segmentation [10.77039660100327]
  解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。 提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。 本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
  論文  参考訳（メタデータ） (2021-03-22T10:37:20Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。