KANSeg：一种基于Kolmogorov-Arnold网络的高效医学图像分割模型，适用于多器官分割任务

《Digital Signal Processing》：KANSeg: An efficient medical image segmentation model based on Kolmogorov-Arnold networks for multi-organ segmentation

多器官分割中，传统CNN方法在复杂背景和模糊边界问题上有局限，本文提出基于Kolmogorov-Arnold Networks（KAN）的KANSeg模型，通过KAN-Activated Convolution模块（KAN-ACM）和KAN Bottleneck模块（KAN-BM）增强非线性特征建模能力，在Synapse和ACDC数据集上Dice分数达79.95%和90.99%，优于Swin-Unet等现有方法。

　　

摘要

目前，基于卷积神经网络的多器官分割方法在医学图像分析领域取得了重要进展。然而，仍存在一些挑战性问题，如复杂的背景和器官边界模糊等问题，这些问题导致边界分割效果不佳。为了解决这些问题，我们提出了一种基于Kolmogorov-Arnold Networks（KAN）的多器官分割方法，称为KANSeg。我们开发了KAN激活卷积模块（KAN-ACM）来构建编码器和解码器，从而增强了模型对多器官图像中复杂模式的学习和解释能力。此外，为了进一步提高模型表示非线性特征的能力，我们设计了KAN瓶颈模块（KAN-BM）以提取更具区分性的特征。最后，我们在两个数据集上进行了全面实验。所提出的KANSeg在Synapse多器官数据集（Synapse）和自动化心脏诊断挑战（ACDC）数据集上的Dice分数分别为79.95%和90.99%。实验结果表明，与现有技术方法相比，我们的方法能够获得更准确的分割结果。

引言

在医学图像分割领域，多器官分割对早期诊断、治疗计划和疗效评估具有重要意义[1]、[2]、[3]、[4]。通过分析多器官医学图像并提取有关病变器官或组织的形状、大小和结构的相关信息，它为肿瘤、感染等病理状况的诊断提供了更详细的数据支持。然而，医学图像中的器官结构通常很复杂，并且容易因生理和病理变化而发生变形。此外，器官和组织的边界往往模糊不清，不同大小器官之间的分割性能也会相互影响[5]。因此，从复杂的医学图像中准确分割出单个器官仍然是一个亟待解决的挑战，尤其是在临床应用和医学研究中。

深度学习模型在图像识别和分类任务中取得了显著的成功，但在图像分割领域仍缺乏高性能和针对性的模型。2015年，Ronneberger等人[6]提出了U-Net，其独特的编码器-解码器结构及其跳跃连接迅速成为研究热点。研究人员对U-Net进行了重要的扩展和改进，包括对主干网络、跳跃连接和瓶颈区域的优化，以及引入了多结构设计策略。代表性的改进网络，如U-Net++ [7]、U-Net3+ [8]和3D U-Net [9]，进一步增强了模型处理医学图像中复杂结构的能力。Transformer架构作为医学图像分割的一个有前景的范式出现，其自注意力机制在捕捉长距离空间依赖性方面表现出色，从而弥补了传统U-Net架构在局部特征提取方面的局限性。然而，这些算法仍需针对具有复杂背景和模糊边界的医学图像进行改进。Kolmogorov-Arnold Networks（KAN）[10]、[11]的核心原理是使用可学习的单变量函数代替传统的固定线性权重，以实现更准确的多维数据建模和预测。基于这一原理，我们提出了KANSeg，这是一种结合了可学习B样条函数的新多器官分割模型。它能够适应性地学习和识别这些不同的特征表示，从而提高处理复杂数据关系的性能。

总结来说，本文的主要贡献如下：

(1)

为了提高网络理解和分割具有独特形态和尺度的器官的能力，我们设计了KAN激活卷积模块（KAN-ACM）。与具有固定激活函数的传统卷积网络不同，KAN-ACM引入了可学习的激活函数，能够自适应地建模医学图像中的复杂非线性模式，从而增强了模型的表达能力和特征区分能力。这种新颖的方法为医学图像分割开辟了新的途径，实现了更精确和适应性的特征学习机制。

(2)

为了增强深度特征提取并提高分割精度，我们引入了KAN瓶颈模块（KAN-BM）。该模块利用可学习的单变量变换来捕获复杂的特征表示，同时减少冗余信息。

(3)

我们在Synapse多器官数据集（Synapse）[12]和自动化心脏诊断挑战（ACDC）数据集[13]上进行了广泛实验。我们提出的方法在Synapse数据集上的平均Dice相似系数（DSC）为79.95%，在ACDC数据集上为90.99%，优于现有的方法如Swin-Unet [14]和UCTransNet [15]。这些结果证明了我们的方法在多器官分割方面的有效性，特别是在处理复杂解剖结构和提高分割鲁棒性方面。

相关工作

相关工作

在医学图像分割领域，深度学习已成为多器官分割的重要工具。尽管取得了令人印象深刻的进展，现有方法在同时准确分割多个器官方面仍面临挑战。最近，KAN提出了一种新的学习范式，通过使用可学习的激活函数而不是依赖预定义的激活函数来应对这些挑战[10]。

方法

为了实现医学图像中器官的准确分割，我们提出了一种基于Kolmogorov-Arnold Network（KAN）[10]的新多器官分割框架KANSeg。在本节中，我们将详细介绍我们的方法，该方法包括三个主要组成部分：(1) KANSeg的整体架构，(2) Kolmogorov-Arnold激活卷积模块（KAN-ACM），以及(3) Kolmogorov-Arnold瓶颈模块（KAN-BM）。

数据集和评估指标

为了评估我们的方法，我们在两个广泛采用的医学图像基准数据集上进行了大量实验：Synapse多器官数据集[12]和ACDC心脏MRI数据集[13]。Synapse数据集是一个包含3,779张增强对比度的腹部CT扫描图像的综合性集合，来自30名患者。每张2D图像的分辨率为$512\times 512$像素，共计85,198层切片。该数据集为八个器官提供了细粒度的注释。

讨论

实验结果表明KANSeg在多器官分割任务中表现出强大的性能。这主要归功于两个提出的模块KAN-ACM和KAN-BM。KAN-ACM用于构建编码器和解码器，以增强网络的非线性建模能力。KAN-BM作为瓶颈模块连接编码器和解码器，以弥补网络在提取局部特征方面的性能不足。这些模块的设计使KANSeg能够高效地

结论

在本文中，我们提出了一种名为KANSeg的新多器官分割模型。首先，为了增强捕获和表示复杂非线性模式的能力，我们提出了KAN-ACM来构建编码器和解码器。其次，为了提高特征提取和信息传递的效率，我们提出了KAN瓶颈模块KAN-BM。最后，在Synapse和ACDC数据集上进行的广泛实验表明，KANSeg在多器官分割方面取得了有竞争力的结果。

CRediT作者贡献声明

朱俊安：概念化、形式分析、研究、方法论、软件、撰写——原始草稿。唐志哲：数据整理、撰写——原始草稿。梁铮：研究、可视化。马平：概念化、资金获取、资源协调、监督、撰写——审阅与编辑。王传健：资源协调、监督。

致谢

本工作部分得到了安徽省科技创新计划（项目编号：202423k09020020）和国家自然科学基金（项目编号：62303437）的支持。

朱俊安：2021年在中国科学院长春光学精密机械与物理研究所获得博士学位。他目前是安徽大学的讲师，研究兴趣集中在图像处理和医学图像分割领域。