医療画像セグメンテーションのためにKANとmambaを統合した並列UNet

患者と医師にとってなぜ重要か

がん検診のスキャンや超音波画像の背後には、病変や臓器がどこにあるかをコンピュータに正しくなぞらせる重要な工程があります。セグメンテーションと呼ばれるこの処理は、医師が腫瘍を計測し、病状を追跡し、治療を計画するのに役立ちます。本論文はKMP-UNetという新しい種類のコンパクトな画像解析ネットワークを紹介しており、境界をより正確かつ効率的に追跡できる可能性があり、自動化された医用画像読影をより信頼性の高いものにし、実臨床への導入を容易にすることが期待されます。

医用スキャンで全体像をつかむ

現代の医用画像は大きく複雑で、重要な手がかりは広範囲に散らばっていることがあり、病変自体はぼやけたり不規則な縁を持っていることがあります。代表的なUNet系を含む従来の畳み込みニューラルネットワークは局所的なパターン検出に優れますが、画像内の離れた領域を結びつけるのは苦手です。トランスフォーマーベースのモデルは画像全体を同時に閲覧できますが、重く遅くなりがちで、高解像度の臨床データや限られた病院のハードウェアでは問題になります。著者らは状態空間モデルと呼ばれる新しい系列モデル群と、Kolmogorov–Arnold Networksという新たなネットワーク様式を基に、計算量を膨らませることなく広い文脈と微細な特徴の両方を捉えようとしています。

並列で働く二人の“専門家”

KMP-UNetはUNetの親しみやすいU字型のエンコーダ–デコーダ構造を維持しつつ、内部の処理を変えています。単一の処理方式に頼る代わりに、ネットワーク内で二つの並列ブランチを走らせます。一方のブランチはMambaと呼ばれるモデルに基づいており、長い系列の取り扱いに長けているため、ここでは画像全体を横断してスキャンするように適応されています。このブランチは長距離の文脈を効率的に収集し、離れた領域同士がどのように関連するかを理解するのに役立ちます。もう一方のブランチはKolmogorov–Arnold Networksを用いており、固定された活性化関数を柔軟で学習可能な曲線に置き換えます。これにより、皮膚病変やポリープの縁に沿った微妙な強度変化など、扱いにくい非線形パターンを表現する力がモデルに加わります。

特徴の賢い融合とより明瞭な境界

異なるモデルを単に接続するだけでは不十分で、真の課題はそれらの強みをどう組み合わせるかにあります。そこで著者らはParallel Convolution Mamba Block（PCMB）を導入し、特徴をグループに分けて複数の軽量なMambaベースおよび畳み込み経路で処理してから再び融合します。この設計はグローバルな文脈と細部のバランスを取りつつ計算コストを低く抑えます。また、エンコーダとデコーダを結ぶスキップ接続も見直しています。新しいEnhanced Spatial-Channel Attention（ESCA）モジュールは重要な位置と特徴チャネルを選択的に強調し、残差接続を通じて有用な情報を保持します。これにより、髪の毛や反射、病変周辺のノイズの多い質感などの妨害によってネットワークが混乱する可能性が低くなります。

新アプローチの性能はどの程度か？

研究チームはKMP-UNetを皮膚病変、結腸ポリープ、乳房超音波画像を含む4つの公開データセットで評価し、さらに別の皮膚データセットへの転移性も試験しました。これらのベンチマーク全体で、本モデルは古典的なUNet変種、トランスフォーマー設計、その他最近のMambaやKANを強化したネットワークを含む多くの強力なベースラインに対して一貫して同等以上の性能を示しました。例えば、広く用いられる皮膚病変データセット（ISIC2018）では、KMP-UNetは約100万パラメータ程度の規模で高いDiceスコアと精度を達成しており、多くの競合よりもはるかに少ないパラメータで済んでいます。詳細な実験により、各構成要素—Mambaベースの文脈モデリング、KANベースの非線形精緻化、ESCAによるスキップ精緻化—が特に境界品質の向上と偽陽性領域の削減において測定可能な寄与をしていることが示されています。

将来の医療AIツールにとっての意義

専門外の人向けに言えば、KMP-UNetは二つの補完的な“専門家”を並列で働かせ、それらの洞察を慎重に融合することで、病変や臓器の輪郭を画像上で学習させる、より小型でありながら有能な方法を提供する、という点が重要な要旨です。非常に不規則な形状や極端にぼやけた境界、重度のアーティファクトといった最も困難なケースでは依然課題がありますが、正確で効率的なセグメンテーションの堅固な基盤を提供します。背景ノイズの扱いや施設間の画像差への適応などのさらなる改良が進めば、KMP-UNetのような手法は信頼性が高く迅速な画像解析を日常的な臨床実務に近づける助けとなるでしょう。

引用: Liu, J., Wu, J., Xu, L. et al. A parallel UNet integrating KAN and mamba for medical image segmentation. Sci Rep 16, 13579 (2026). https://doi.org/10.1038/s41598-026-43127-1

キーワード: 医療画像セグメンテーション, ディープラーニング, UNet, 状態空間モデル, コルモゴロフ–アーノルドネットワーク