3D U-KAN Implementation for Multi-modal MRI Brain Tumor Segmentation

我们探索了使用多模态MRI数据进行3D脑肿瘤分割的U-KAN应用，U-KAN是一种基于U-Net的网络，增强了Kolmogorov-Arnold网络(KAN)层。我们将原始的2D U-KAN模型调整为3D任务，并引入了一种称为UKAN-SE的变体，它结合了全局注意力的Squeeze-and-Excitation模块。我们使用BraTS 2024数据集，将U-KAN和UKAN-SE的性能与现有方法（如U-Net，Attention U-Net和Swin UNETR）进行比较。我们的结果表明，U-KAN和UKAN-SE具有约1060万个参数，实现了卓越的效率，仅需要U-Net和Attention U-Net的1/4的训练时间，以及Swin UNETR的1/6的训练时间，同时在大多数评估指标上超越了这些模型。值得注意的是，UKAN-SE略优于U-KAN。

基于多模态MRI数据的三维脑肿瘤分割是一个重要的医学图像分析任务。本文旨在提出一种新的神经网络模型，解决该任务中的挑战，如何提高分割的准确性和效率。

本文提出了一种基于U-Net和Kolmogorov-Arnold Network（KAN）的新型神经网络模型U-KAN，以及一种变体UKAN-SE，该变体加入Squeeze-and-Excitation模块，用于全局注意力。实验结果表明，这两种模型在BraTS 2024数据集上表现出色，同时具有高效性。

本文提出的U-KAN和UKAN-SE模型具有高效性和准确性，比已有的U-Net、Attention U-Net和Swin UNETR模型更快速，且在大多数评估指标上表现更好。实验使用了BraTS 2024数据集进行验证，模型参数量约为1060万。

近期类似的研究包括Attention U-Net和Swin UNETR等。