ResKANNet：一种基于残差Kolmogorov-Arnold网络的脑肿瘤分割方法，具备多尺度注意力机制

《Neurocomputing》：ResKANNet: A residual kolmogorov-arnold network with multi-scale attention for brain tumor segmentation

针对脑肿瘤分割中肿瘤区域异质性和不规则边界问题，提出ResKANNet架构，通过选择性部署Kolmogorov–Arnold网络（KANs）结合残差U型结构，创新性地将KAN模块置于编码器瓶颈和首个解码层，并引入混合多尺度注意力机制（EMCAM与CBAM3D），显著提升边界精度和Dice系数，在BraTS2021数据集上达到90.95%的Dice值和2.71mm的HD95指标，较U-Mamba提升0.83%和0.76mm。

　　在医学影像处理领域，脑肿瘤分割是一项关键任务，对诊断、治疗规划和疾病监测具有深远影响。尽管深度学习技术在这一方向上取得了显著进展，现有的方法在处理肿瘤区域的显著异质性和不规则边界时仍存在挑战。特别是，在临床重要的增强子区域，当前算法往往难以精准区分肿瘤与周围组织，导致分割结果的边界不够清晰，影响后续的治疗决策。

为了解决这些问题，研究人员提出了一种名为ResKANNet的新架构，它巧妙地将Kolmogorov–Arnold Networks（KANs）模块整合到残差U型结构中。这一设计基于三个关键创新：首先，KAN模块被选择性地部署在瓶颈层和第一个解码器层，这两个阶段是特征转换效果最显著的地方，而不是对整个网络进行无差别应用；其次，首次系统地将KAN的自适应激活函数与残差连接相结合，以确保深度3D分割网络中的梯度稳定传播；第三，设计了混合多尺度注意力机制，包括用于跳连接的增强多尺度卷积注意力模块（EMCAM）和用于解码器输出的卷积块注意力模块（CBAM3D），以在解码阶段优化边界。

ResKANNet在BraTS2018和BraTS2021数据集上的广泛实验表明，该模型在多个评估指标上均优于九种最先进的方法。在BraTS2021数据集上，ResKANNet实现了90.95%的Dice系数（比U-Mamba高出0.83%）和2.71毫米的HD95距离（比U-Mamba好0.76毫米），并且在BraTS2018数据集上，增强肿瘤分割的准确率达到了79.95%（比U-Mamba高出4.17%）。这些结果不仅证明了ResKANNet在分割精度和边界精度方面的优越性，也展示了其在临床应用中的价值，例如手术规划、放疗靶区勾画以及治疗反应评估。

在实验过程中，研究人员还进行了消融研究，验证了KAN模块在特定位置部署的有效性。消融研究显示，如果KAN模块被随机或均匀地部署在整个网络中，其性能提升有限，甚至可能带来不必要的计算开销。相反，如果将KAN模块集中部署在对特征转换影响最大的区域，例如瓶颈层和第一个解码器层，可以显著提高分割精度，同时保持计算效率。这种选择性的部署方式不仅优化了模型的性能，还减少了冗余计算，提高了整体的运行效率。

此外，ResKANNet在设计上还考虑了残差连接与KAN模块之间的协同作用。传统的深度学习模型在训练过程中容易出现梯度消失或梯度爆炸的问题，而残差连接能够缓解这一问题，使得网络能够更深层次地进行学习。通过将KAN模块嵌入到残差块中，ResKANNet实现了更稳定的梯度流动，同时允许模型在不同阶段重复使用特征信息。这种结合在之前的KAN文献中尚未被探索，为深度学习在医学影像分割中的应用提供了新的思路。

在解码器阶段，ResKANNet采用了专门设计的注意力机制，以提高边界精度。由于肿瘤区域通常具有不规则的边界，传统的分割方法难以准确勾画这些边界，导致分割结果的误差较大。为了解决这一问题，研究人员引入了混合多尺度注意力机制，包括EMCAM和CBAM3D。EMCAM通过在多个尺度上并行卷积操作，优化跳连接的特征融合；CBAM3D则通过通道-空间重新校准，增强解码器输出的准确性，从而在解码阶段更精确地界定肿瘤边界。这种注意力机制的引入，使得ResKANNet在处理不规则边界时表现更加出色。

在实验结果方面，ResKANNet在BraTS2018和BraTS2021数据集上的表现均优于其他方法。在BraTS2018数据集上，ResKANNet实现了86.54%的Dice得分，比最强的基线模型U-Mamba高出2.30%，尤其是在增强肿瘤分割方面，其准确率达到了79.95%，比U-Mamba高出4.17%。在BraTS2021数据集上，ResKANNet的Dice得分达到了90.95%，HD95距离为2.71毫米，分别比U-Mamba高出0.83%和0.76毫米。这些改进不仅提升了模型的分割能力，也直接转化为临床价值，例如更精确的手术边界界定，以及更可靠的治疗反应评估。

为了进一步验证ResKANNet的有效性，研究人员还进行了多方面的实验，包括不同数据集的测试、不同网络深度的分析，以及不同注意力机制的比较。这些实验不仅展示了ResKANNet在分割任务中的优越性，还揭示了其在不同应用场景下的适应能力。例如，在BraTS2018数据集上，ResKANNet在增强肿瘤分割方面表现出色，而在BraTS2021数据集上，其在整体分割精度和边界精度方面的表现更加全面。

ResKANNet的设计理念源于对医学影像分割任务的深入理解。研究人员发现，传统的分割方法在处理肿瘤区域的异质性和不规则性时存在局限，因此需要一种能够自适应调整激活函数的模型。KANs的引入正好满足了这一需求，因为它们能够根据数据分布动态调整激活函数，从而更好地捕捉肿瘤区域的复杂特征。然而，之前的KAN方法要么是将KAN模块在整个网络中无差别应用，导致计算效率低下，要么是仅限于2D分割任务，无法有效处理3D空间中的异质性。

为了解决这些问题，ResKANNet采用了一种新的策略，即在特定位置部署KAN模块，而不是对整个网络进行广泛应用。这种选择性的部署方式不仅优化了模型的性能，还提高了计算效率。同时，ResKANNet还结合了残差连接，使得网络能够更深层次地进行学习，从而在复杂数据中保持稳定的梯度传播。此外，研究人员还设计了混合多尺度注意力机制，以在解码阶段更精确地界定肿瘤边界，这种机制在之前的KAN文献中尚未被探索。

在临床应用方面，ResKANNet的改进对于手术规划和放疗靶区勾画具有重要意义。手术规划需要精确界定肿瘤边界，以确保手术切除的范围既包括肿瘤组织，又尽可能减少对健康组织的损伤。放疗靶区勾画同样需要高精度的边界界定，以确保放疗剂量能够准确覆盖肿瘤区域，同时避免对周围正常组织造成不必要的伤害。因此，ResKANNet在这些方面的改进不仅提升了分割的准确性，也提高了临床应用的安全性和有效性。

此外，ResKANNet的引入还推动了医学影像分割技术的发展。传统的分割方法在处理肿瘤区域的异质性和不规则性时存在局限，而ResKANNet通过引入KAN模块和混合多尺度注意力机制，为医学影像分割提供了一种新的解决方案。这种解决方案不仅适用于3D分割任务，还能够扩展到其他医学影像分析领域，例如器官分割、病灶检测等。因此，ResKANNet的提出具有重要的理论和应用价值，为医学影像分割技术的发展提供了新的方向。

在实验过程中，研究人员还对ResKANNet的各个组件进行了详细分析。例如，KAN模块的部署位置、残差连接的整合方式、以及注意力机制的设计，均经过严格的测试和优化。这些分析不仅验证了ResKANNet的有效性，还为后续研究提供了参考。此外，研究人员还对不同数据集的测试结果进行了比较，以评估ResKANNet在不同应用场景下的适应能力。这些比较结果显示，ResKANNet在多种数据集上均表现出优异的性能，证明了其在医学影像分割中的广泛适用性。

总的来说，ResKANNet的提出为医学影像分割技术带来了新的突破。通过引入KAN模块和混合多尺度注意力机制，该模型不仅提高了分割的准确性，还优化了边界界定的精度，从而在临床应用中具有更高的价值。此外，ResKANNet的设计理念和方法也为后续研究提供了新的思路，推动了医学影像分割技术的发展。未来，研究人员将继续探索KAN模块在其他医学影像任务中的应用，以进一步提高分割的精度和效率，为临床医学提供更强大的技术支持。