論文の概要: A hybrid Kolmogorov-Arnold network for medical image segmentation

• arxiv url: http://arxiv.org/abs/2602.07702v1
• Date: Sat, 07 Feb 2026 21:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.766165
• Title: A hybrid Kolmogorov-Arnold network for medical image segmentation
• Title（参考訳）: 医用画像分割のためのハイブリッドKolmogorov-Arnoldネットワーク
• Authors: Deep Bhattacharyya, Ali Ayub, A. Ben Hamza,
• Abstract要約: 我々は,コルモゴロフ型ネットワーク(KAN)の表現力とU粒度のエンコーダデコーダアーキテクチャを統合し,セグメンテーション性能を向上させる新しいフレームワークであるU-KABSを提案する。
• 参考スコア（独自算出の注目度）: 6.69087470775851
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image segmentation plays a vital role in diagnosis and treatment planning, but remains challenging due to the inherent complexity and variability of medical images, especially in capturing non-linear relationships within the data. We propose U-KABS, a novel hybrid framework that integrates the expressive power of Kolmogorov-Arnold Networks (KANs) with a U-shaped encoder-decoder architecture to enhance segmentation performance. The U-KABS model combines the convolutional and squeeze-and-excitation stage, which enhances channel-wise feature representations, and the KAN Bernstein Spline (KABS) stage, which employs learnable activation functions based on Bernstein polynomials and B-splines. This hybrid design leverages the global smoothness of Bernstein polynomials and the local adaptability of B-splines, enabling the model to effectively capture both broad contextual trends and fine-grained patterns critical for delineating complex structures in medical images. Skip connections between encoder and decoder layers support effective multi-scale feature fusion and preserve spatial details. Evaluated across diverse medical imaging benchmark datasets, U-KABS demonstrates superior performance compared to strong baselines, particularly in segmenting complex anatomical structures.
• Abstract（参考訳）: 医用画像のセグメンテーションは、診断と治療計画において重要な役割を担っているが、医用画像の本質的な複雑さと変動のため、特にデータ内の非線形関係を捉えているため、依然として困難である。 本稿では,KAN(Kolmogorov-Arnold Networks)の表現力とU字型エンコーダデコーダアーキテクチャを統合し,セグメンテーション性能を向上させる新しいハイブリッドフレームワークであるU-KABSを提案する。 U-KABSモデルは、チャネルワイドな特徴表現を強化する畳み込みと圧縮・励起の段階と、ベルンシュタイン多項式とB-スプラインに基づく学習可能なアクティベーション関数を利用するカン・バーンスタイン・スプライン(KABS)段階を組み合わせる。 このハイブリッド設計は、バーンスタイン多項式のグローバルな滑らかさとB-スプラインの局所的な適応性を活用し、このモデルが医療画像の複雑な構造を記述するのに不可欠な広い文脈の傾向ときめ細かいパターンの両方を効果的に捉えることができる。 エンコーダ層とデコーダ層の間のスキップ接続は、効率的なマルチスケール機能融合をサポートし、空間的詳細を保存する。 U-KABSは、様々な医用画像ベンチマークデータセットで評価され、特に複雑な解剖学的構造のセグメント化において、強いベースラインよりも優れたパフォーマンスを示す。

関連論文リスト

• Data-Efficient Meningioma Segmentation via Implicit Spatiotemporal Mixing and Sim2Real Semantic Injection [6.992254817538211]
  本研究では,空間的多様体展開と意味的オブジェクト注入を統合した新しい二重拡張フレームワークを提案する。 我々のフレームワークは,nnU-NetやU-Mambaといった最先端モデルのデータ効率とロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-19T09:11:28Z)
• FunKAN: Functional Kolmogorov-Arnold Network for Medical Image Enhancement and Segmentation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-16T20:13:48Z)
• 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)
• RWKV-UNet: Improving UNet with Long-Range Cooperation for Effective Medical Image Segmentation [70.79072961974141]
  本稿では,RWKV構造をU-Netアーキテクチャに統合する新しいモデルであるRWKV-UNetを提案する。 この統合により、長い範囲の依存関係をキャプチャし、コンテキスト理解を改善するモデルの能力が向上する。 11のベンチマークデータセットの実験により、RWKV-UNetは様々なタイプの医用画像セグメンテーションタスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-01-14T22:03:00Z)
• 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)
• HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
  本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。 The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。 HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-15T17:06:26Z)
• 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)
• 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。