論文の概要: U-MAN: U-Net with Multi-scale Adaptive KAN Network for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2509.22444v1
- Date: Fri, 26 Sep 2025 15:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:54.524918
- Title: U-MAN: U-Net with Multi-scale Adaptive KAN Network for Medical Image Segmentation
- Title（参考訳）: U-MAN:医療画像セグメンテーションのためのマルチスケール適応KANNを用いたU-Net
- Authors: Bohan Huang, Qianyun Bao, Haoyuan Ma,
- Abstract要約: マルチスケール・アダプティブ・カン(U-MAN)は、新しいコルモゴロフ・アルノルドネットワーク(KAN)を強化する新しいアーキテクチャである。
PAGFモジュールは単純なスキップ接続を置き換え、エンコーダとデコーダのヒューズ機能に注意を払っています。
MANモジュールにより、ネットワークは複数のスケールで機能を適応的に処理し、さまざまなサイズのオブジェクトを分割する能力を向上させることができる。
- 参考スコア（独自算出の注目度）: 0.6429972675128933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation faces significant challenges in preserving fine-grained details and precise boundaries due to complex anatomical structures and pathological regions. These challenges primarily stem from two key limitations of conventional U-Net architectures: (1) their simple skip connections ignore the encoder-decoder semantic gap between various features, and (2) they lack the capability for multi-scale feature extraction in deep layers. To address these challenges, we propose the U-Net with Multi-scale Adaptive KAN (U-MAN), a novel architecture that enhances the emerging Kolmogorov-Arnold Network (KAN) with two specialized modules: Progressive Attention-Guided Feature Fusion (PAGF) and the Multi-scale Adaptive KAN (MAN). Our PAGF module replaces the simple skip connection, using attention to fuse features from the encoder and decoder. The MAN module enables the network to adaptively process features at multiple scales, improving its ability to segment objects of various sizes. Experiments on three public datasets (BUSI, GLAS, and CVC) show that U-MAN outperforms state-of-the-art methods, particularly in defining accurate boundaries and preserving fine details.
- Abstract（参考訳）: 複雑な解剖学的構造と病理領域による微細な細部と正確な境界の保存において、医用画像のセグメンテーションは重大な課題に直面している。
これらの課題は主に、従来のU-Netアーキテクチャの2つの重要な制限に起因している。(1) 単純なスキップ接続は、様々な機能間のエンコーダとデコーダのセマンティックギャップを無視し、(2) ディープ層におけるマルチスケール機能抽出能力が欠如している。
これらの課題に対処するため,我々は,新たなKAN(Kolmogorov-Arnold Network)を,Progressive Attention-Guided Feature Fusion(PAGF)とMulti-scale Adaptive Kan(MAN)の2つのモジュールで拡張する,U-Net with Multi-scale Adaptive Kan(U-MAN)を提案する。
PAGFモジュールは単純なスキップ接続を置き換え、エンコーダとデコーダのヒューズ機能に注意を払っています。
MANモジュールにより、ネットワークは複数のスケールで機能を適応的に処理し、さまざまなサイズのオブジェクトを分割する能力を向上させることができる。
3つの公開データセット(BUSI、GLAS、CVC)の実験では、U-MANは最先端の手法、特に正確な境界を定義し、詳細を保存している。
関連論文リスト
- GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。
これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。
マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文 参考訳（メタデータ） (2025-08-14T11:31:43Z) - DSU-Net:An Improved U-Net Model Based on DINOv2 and SAM2 with Multi-scale Cross-model Feature Enhancement [7.9006143460465355]
本稿では,DINOv2によるSAM2用マルチスケール機能協調フレームワークを提案する。
コストのかかるトレーニングプロセスを必要とせず、カモフラージュ目標検出や有能なオブジェクト検出といった下流タスクにおいて、既存の最先端のメソオードを超越している。
論文 参考訳（メタデータ） (2025-03-27T06:08:24Z) - MSA$^2$Net: Multi-scale Adaptive Attention-guided Network for Medical Image Segmentation [8.404273502720136]
MSA$2$Netは、スキップ接続を適切に設計した新しいディープセグメンテーションフレームワークである。
本稿では,空間的特徴を選択的に強調するために,MASAG(Multi-Scale Adaptive Space Attention Gate)を提案する。
MSA$2$Netは、最先端のSOTA(State-of-the-art)よりも優れています。
論文 参考訳（メタデータ） (2024-07-31T14:41:10Z) - Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。
具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
論文 参考訳（メタデータ） (2023-05-17T14:30:11Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - DoubleU-NetPlus: A Novel Attention and Context Guided Dual U-Net with
Multi-Scale Residual Feature Fusion Network for Semantic Segmentation of
Medical Images [2.20200533591633]
本稿ではDoubleU-NetPlusという2つのU-Netアーキテクチャを提案する。
我々は,識別的特徴表現をモデル化するネットワークの能力を高めるために,マルチコンテキスト特徴といくつかの注意戦略を利用する。
勾配消滅問題を緩和し、より深い空間的詳細を持つ高分解能特徴を取り入れるため、標準畳み込み操作を注意誘導残差畳み込み操作に置き換える。
論文 参考訳（メタデータ） (2022-11-25T16:56:26Z) - Suppress and Balance: A Simple Gated Network for Salient Object
Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。
多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。
さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文 参考訳（メタデータ） (2020-07-16T02:00:53Z)
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。