.png){kind=icon}
返回
Implicit U-KAN2.0: Dynamic, Efficient and Interpretable Medical Image Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05141-7_30.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像分割是图像分析和医学应用中的基础任务。当前先进的方法主要依赖U型设计的编码器-解码器架构，通常称为U-Net。近期将Transformer和MLP整合的进展提升了性能，但仍面临关键限制，如可解释性差、难以处理固有噪声以及因离散层结构导致的表达能力受限，且往往缺乏坚实的理论基础。在本工作中，我们提出隐式U-KAN 2.0，一种新型的U-Net变体，采用两阶段编码器-解码器结构。在SONO阶段，我们使用二阶神经常微分方程（NODEs），称为SONO块，以更高效、更具表现力且理论基础的建模方法。在SONO-MultiKAN阶段，我们整合二阶NODEs和MultiKAN层作为核心计算块，以增强可解释性和表示能力。我们的贡献有三方面。首先，U-KAN 2.0是一种隐式深度神经网络，整合MultiKAN和二阶NODEs，在提升可解释性和性能的同时降低计算成本。其次，我们提供理论分析，证明MultiKAN块的对输入维度的独立性。第三，我们在多种2D和一个3D数据集上进行广泛实验，表明我们的模型持续优于现有分割网络。项目网站：https://math-ml-x.github.io/IUKAN2/。
Keyword:
Image Segmentation
U-type Networks
Implicit Learning
期刊
机构
引用论文
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏分享收藏Rolling-Unet: Revitalizing MLP’s Ability to Efficiently Extract Long-Distance Dependencies for Medical Image SegmentationRolling-Unet：重新激发MLP高效提取医学图像分割中长距离依赖的能力
OAAI
OAAI分享收藏H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT VolumesH-denseunet: 混合密集连接的UNet，用于从CT体积中分割肝脏和肿瘤
OAAI
OAAI分享收藏U-kan makes strong backbone for medical image segmentation and generation[C]U-kan 构建了强大的医学图像分割和生成的基础框架[C].png)
OAAI
IF0
OAAI分享收藏
查看更多内容