論文の概要: AdaKAN: A dual-branch adaptive Kolmogorov-Arnold network for medical image segmentation

• arxiv url: http://arxiv.org/abs/2607.22891v1
• Date: Fri, 24 Jul 2026 20:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.922365
• Title: AdaKAN: A dual-branch adaptive Kolmogorov-Arnold network for medical image segmentation
• Title（参考訳）: AdaKAN:医療画像セグメンテーションのためのデュアルブランチ適応Kolmogorov-Arnoldネットワーク
• Abstract要約: 本稿では,AdaKANを提案する。AdaKANは適応型コルモゴロフ・アルノルドネットワーク(KAN)で,畳み込み操作と新しい効率的なkanブロックを統合する。 AdaKANはセグメント精度で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 6.124773188525719
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image segmentation is a fundamental task in computer-aided diagnosis, yet it remains challenging due to the complexity of anatomical structures and the variability across imaging modalities. In this paper, we propose AdaKAN, an Adaptive Kolmogorov-Arnold Network (KAN) that synergistically integrates convolutional operations with a novel efficient KAN (EffiKAN) block, comprised of an efficient attention mechanism and an adaptive KAN (AdaptKAN) module. This module features a dual-branch design: one branch employs a KAN layer with Bernstein polynomial activations for globally smooth and stable function approximation, while the other branch performs channel-wise refinement through projection operations and adaptive scaling. AdaKAN adopts a U-shaped architecture that effectively captures both long-range dependencies and fine-grained local features, overcoming the limitations of conventional convolutional and Transformer-based segmentation models. Skip connections are employed to preserve spatial details during encoding and facilitate accurate reconstruction during decoding. Extensive experiments conducted on diverse medical imaging datasets demonstrate that AdaKAN achieves state-of-the-art performance in segmentation accuracy.
• Abstract（参考訳）: 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の基本的な課題であるが、解剖学的構造の複雑化と画像モダリティの変動により、依然として困難である。 本稿では,適応型コルモゴロフ・アルノルドネットワーク(KAN)であるAdaKanを提案する。このネットワークは,効率的な注意機構と適応型カン(AdaptKAN)モジュールから構成される,新しい効率的なカンブロック(EffiKan)と畳み込み操作を相乗的に統合する。 このモジュールはデュアルブランチ設計を特徴とし、一方のブランチはベルンシュタイン多項式アクティベーションを持つ Kan 層をグローバルに滑らかで安定な関数近似に使用し、もう一方のブランチはプロジェクション演算と適応スケーリングによってチャネルワイズ処理を行う。 AdaKANは、従来の畳み込みとトランスフォーマーベースのセグメンテーションモデルの限界を克服し、長距離依存関係ときめ細かいローカル特徴の両方を効果的にキャプチャするU字型アーキテクチャを採用している。 スキップ接続は、符号化中の空間的詳細を保存し、復号時の正確な再構築を容易にするために使用される。 多様な医用画像データセットに対して行われた大規模な実験は、AdaKANがセグメント化精度で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。

関連論文リスト

• MD-RWKV-UNet: Scale-Aware Anatomical Encoding with Cross-Stage Fusion for Multi-Organ Segmentation [0.0]
  MD-RWKV-UNetは,スケールアウェア表現と空間適応型コンテキストモデリングを実現する動的エンコーダネットワークである。 MD-RWKVブロックは、変形可能な空間シフトとReceptance Weighted Key Valueメカニズムを統合するデュアルパスモジュールである。 並行して、クロスステージなデュアルアテンション・フュージョン戦略はエンコーダ全体の多レベル特徴を集約し、セマンティック一貫性を保ちながら低レベル構造を保存する。
  論文  参考訳（メタデータ） (2026-03-28T12:53:50Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• GCA-ResUNet: Medical Image Segmentation Using Grouped Coordinate Attention [3.6679095759171645]
  GCA-ResUNetは、軽量でプラグ&プレイのGrouped Coordinate Attention (GCA)モジュールを備えた効率的な医用画像セグメンテーションフレームワークである。 Synapse と ACDC の2つの広く使われているベンチマークによる大規模な実験では、それぞれ GCA-ResUNet が 86.11% と 92.64% のDice のスコアを達成している。
  論文  参考訳（メタデータ） (2025-12-30T05:13:20Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• DB-KAUNet: An Adaptive Dual Branch Kolmogorov-Arnold UNet for Retinal Vessel Segmentation [12.894330512218113]
  網膜血管分節に対する適応型二重枝Kolmogorov-Arnold UNet(DB-KAUNet)を提案する。 DB-KAUNetでは、並列CNNとTransformer経路を備えた異種二重分岐空間(HDBE)を設計する。 HDBEは戦略的に標準的なCNNとTransformerブロックを新しいkanConvとKATブロックでインターリーブし、モデルが包括的な特徴表現を形成することを可能にする。
  論文  参考訳（メタデータ） (2025-12-01T13:30:01Z)
• U-DFA: A Unified DINOv2-Unet with Dual Fusion Attention for Multi-Dataset Medical Segmentation [1.1724961392643483]
  U-DFAはDINOv2-Unetエンコーダとデコーダを統一したアーキテクチャで,新たにLGFA(Local-Global Fusion Adapter)を統合し,セグメンテーション性能を向上させる。 本手法は,トレーニング可能なモデルパラメータの33%に過ぎず,Synapse と ACDC のデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-01T07:06:49Z)
• Unleashing Vision Foundation Models for Coronary Artery Segmentation: Parallel ViT-CNN Encoding and Variational Fusion [12.839049648094893]
  冠動脈セグメンテーションは冠動脈疾患(CAD)のコンピュータ診断に重要である 並列符号化アーキテクチャを用いて,視覚基盤モデル(VFM)のパワーを利用する新しいフレームワークを提案する。 提案手法は, 精度の高い冠動脈セグメンテーションにおいて, 最先端の手法よりも優れ, 優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-07-17T09:25:00Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。