PulseAugur
中
实时 08:54:44
English(EN) Deformable Medical Image Registration with KAN-based Implicit Neural Representations

Kolmogorov-Arnold网络提高医学图像配准精度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了KAN-IDIR和RandKAN-IDIR，这两种新颖的可变形医学图像配准框架，它们利用Kolmogorov-Arnold网络（KAN）。这些方法将形变场建模为连续的坐标到位移映射，为传统深度学习方法（如CNN和Transformer）提供了一种数据高效的替代方案。基于KAN的方法旨在提高稳定性和资源效率，而无需进行数据集级别的训练，并在肺部CT、脑部MRI和心脏MRI数据集上显示出有希望的结果。 AI

排序理由 该集群包含一篇详细介绍医学图像配准新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Kolmogorov-Arnold网络提高医学图像配准精度

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Nikita Drozdov, Marat Zinovev, Dmitry Sorokin ·

    基于KAN的隐式神经表示的可变形医学图像配准

    arXiv:2509.22874v2 Announce Type: replace Abstract: Deformable image registration (DIR) is central to medical image analysis, supporting spatial alignment for longitudinal studies and multi-modal fusion. Learning-based methods such as CNNs and transformers provide rapid inference…

相关实体

相关话题