U-GRKAN：一种高效且可解释的医学图像分割架构

《Journal of Imaging Informatics in Medicine》：U-GRKAN: An Efficient and Interpretable Architecture for Medical Image Segmentation

医学图像分割中提出多组有理KAN模型嵌入U-shaped框架，通过组共享与差异化有理函数降低参数48%，结合通道注意力实现自适应融合，在四个数据集上IoU/F1均优于次优模型，平衡准确率、复杂度与可解释性，展现跨模态泛化潜力。

　　

摘要

分割的准确性和一致性直接影响治疗的安全性以及在肿瘤勾画、风险器官保护、术前规划和随访评估中的决策可靠性。U形卷积网络在跨区域建模和自适应层间融合方面仍存在局限性，而Transformer/混合架构虽然能够编码全局上下文，但计算成本较高且可解释性有限。为了解决这些问题，我们提出了一种多组有理KAN（MGR-KAN），并将其嵌入到U形框架中，形成了U-GRKAN：用组内共享和组间多样化的有理函数替换每个边缘B样条，与U-KAN相比参数数量减少了48%，并通过组级响应曲线实现了函数级别的可解释性；进一步使用通道注意力进行自适应层间融合。我们评估了四个数据集（BUSI、GlaS、CVC和COVID-19-CT-Seg），分别获得了67.85/80.58、88.25/93.75、86.63/92.74和78.57/87.97（IoU/F1）的分数，这表明其性能相比排名第二的模型分别提高了2.63/2.01、0.75/0.42、1.58/0.86和2.51/1.61。总体而言，U-GRKAN在准确性、复杂性和可解释性之间取得了更平衡的折中，并在各种模态下展现了良好的泛化潜力。