Публикации автора

Цель исследования — оценка эффективности архитектуры нейронной сети KANU-Net 2D, основанной на архитектуре UNet, в задаче сегментации двухмерных МРТ-изображений головного мозга из набора данных BraTS при ограниченном количестве обучающих примеров.

Материалы и методы. В рамках работы были проведены эксперименты с подвыборками объемом 50, 100 и 150 изображений. Описаны этапы предобработки данных, включая нормализацию, гамма-коррекцию, обрезку и аугментацию. В качестве функции потерь использовали комбинацию Dice loss и BCE loss. Оптимизацию сети проводили с помощью AdamW. Производительность работы сети оценивали с использованием метрик Accuracy и коэффициента Dice для каждого региона и его среднего значения.

Результаты. Экспериментально продемонстрировано, что KANU-Net 2D достигает конкурентоспособной производительности, сравнимой с современными SOTA-моделями сверточных нейронных сетей, при обучении на малых выборках. В частности, средний коэффициент Dice составил 0,851 при использовании 100 обучающих примеров.

Заключение. Проведенные исследования показали, что сеть KANU-Net 2D превосходит модель для сегментации MedDANet как по среднему значению, так и по отдельным классам. Эффективность модели для различных зон опухоли обусловливает возможность адаптации подхода на основе KAN (сети Колмогорова–Арнольда) к различным характеристикам изображений в задаче медицинской сегментации. Полученные результаты подчеркивают несомненную перспективность применения KAN для сегментации медицинских изображений на малых выборках и могут служить фундаментом для проведения дальнейших исследований в этой области.