Tıbbi görüntü segmentasyonu için KAN ve mamba’yı entegre eden paralel UNet

Hastalar ve hekimler için bunun önemi

Her kanser tarama görüntüsünün veya ultrason görüntüsünün arkasında, bir lezyonun veya organın gerçekten nerede olduğunu bilgisayarlara öğretme sürecinin kritik bir adımı vardır. Segmentasyon adı verilen bu işlem, doktorların tümörleri ölçmesine, hastalığı takip etmesine ve tedaviyi planlamasına yardımcı olur. Makale, bu sınırları daha doğru ve verimli bir şekilde izleyeceği sözü veren, kompakt bir görüntü analiz ağı olan KMP-UNet’i tanıtıyor; bu da otomatik tıbbi görüntü okumasını daha güvenilir ve gerçek klinik ortamlarda konuşlandırılması daha kolay hale getirebilir.

Tıbbi taramada bütün resmi görmek

Modern tıbbi görüntüler büyük ve karmaşıktır: önemli ipuçları geniş bir alana yayılabilirken, lezyonun kendisi belirsiz veya düzensiz kenarlara sahip olabilir. Popüler UNet ailesi de dahil olmak üzere geleneksel konvolüsyonel sinir ağları yerel desenleri yakalamada iyidir ancak bir taramadaki uzak bölgeleri birbirine bağlamakta zorlanır. Transformer tabanlı modeller tüm resmi bir anda görebilir, ancak genellikle ağır ve yavaştır; bu durum yüksek çözünürlüklü klinik veriler ve sınırlı hastane donanımı için sorun yaratır. Yazarlar, durum uzay modelleri olarak adlandırılan daha yeni bir dizi sıra modeline ve Kolmogorov–Arnold Ağları olarak bilinen taze bir sinir ağı stiline dayanarak hem geniş bağlamı hem de ince ayrıntıları hesaplama maliyetini şişirmeden yakalamayı hedefliyor.

Yan yana çalışan iki zeki uzman

KMP-UNet, UNet’in tanıdık U biçimli encoder–decoder düzenini koruyor ancak iç işleyişini değiştiriyor. Tek tip bir işleme dayanmaktansa, ağ boyunca paralel iki dal çalıştırıyor. Bir dal, uzun dizileri işlemek konusunda başarılı olan ve burada görüntü boyunca tarama yapmak üzere uyarlanmış Mamba adlı modele dayanıyor. Bu dal, uzak kapsamlı bağlamı verimli şekilde toplar ve ağın birbirinden uzak bölgelerin nasıl ilişkili olduğunu anlamasına yardımcı olur. İkinci dal ise sabit aktivasyon fonksiyonlarını esnek, öğrenilebilir eğrilerle değiştiren Kolmogorov–Arnold Ağları’nı kullanıyor. Bu, modelin cilt lezyonu veya polip kenarındaki ince yoğunluk değişimleri gibi zorlu, doğrusal olmayan desenleri temsil etme gücünü artırır.

Özelliklerin daha akıllı birleşimi ve daha net sınırlar

Farklı model türlerini basitçe birleştirmek yeterli değildir; gerçek zorluk onların güçlü yönlerini nasıl harmanlayacağınızdır. Bu amaçla yazarlar, özellikleri gruplara ayıran ve bunları birkaç hafif Mamba tabanlı ve konvolüsyonel yol üzerinden işleyip tekrar birleştiren Paralel Konvolüsyon Mamba Bloğu (PCMB) kavramını tanıtıyor. Bu tasarım küresel bağlam ile ince ayrıntılar arasında bir denge kurarken hesaplama maliyetini düşük tutar. Ayrıca encoder ile decoder arasındaki skip bağlantılarını yeniden ele alıyorlar. Yeni Geliştirilmiş Uzamsal-Kanal Dikkat (ESCA) modülü önemli konumları ve özellik kanallarını seçici şekilde vurgularken, kalıntı (residual) bağlantılar yoluyla yararlı bilgiyi koruyor. Bu, ağın saç, parlama veya lezyon etrafındaki gürültülü dokular gibi dikkat dağıtıcı unsurlardan daha az etkilenmesini sağlar.

Yeni yaklaşım ne kadar iyi çalışıyor?

Araştırma ekibi KMP-UNet’i cilt lezyonları, kolon polipleri ve meme ultrason görüntülerini kapsayan dört açık veri setinde değerlendiriyor ve ayrıca başka bir cilt veri setine transferi test ediyor. Bu kıyaslamalarda model, klasik UNet varyantları, Transformer tabanlı tasarımlar ve diğer son Mamba- ve KAN- destekli ağlar da dahil olmak üzere güçlü bir dizi kıyasın çoğuna tutarlı şekilde eşlik ediyor veya üstünlük sağlıyor. Örneğin yaygın kullanılan bir cilt lezyonu veri setinde (ISIC2018), KMP-UNet yaklaşık bir milyon parametre kullanırken yüksek Dice skoru ve doğruluk elde ediyor—birçok rakibine göre çok daha az parametreyle. Ayrıntılı deneyler, her bir bileşenin—Mamba tabanlı bağlam modellemesi, KAN tabanlı doğrusal olmayan iyileştirme ve ESCA tabanlı skip iyileştirmesi—özellikle sınır kalitesi ve yanlış pozitif bölgelerin azaltılmasında ölçülebilir katkılar sağladığını gösteriyor.

Gelecekteki tıbbi yapay zeka araçları için anlamı

Uzman olmayanlar için temel çıkarım, KMP-UNet’in iki tamamlayıcı “uzman”ın paralel çalışmasına izin verip ardından bulgularını dikkatle birleştirerek görüntülerdeki lezyon ve organ sınırlarını öğretebilecek daha kompakt ama yetenekli bir yol sunmasıdır. Yöntem hâlâ en zorlu vakalar—çok düzensiz şekiller, son derece bulanık sınırlar veya ağır artefaktlar—ile zorlanıyor olsa da, doğru ve verimli segmentasyon için sağlam bir temel sağlıyor. Gürültülü arka planlarla başa çıkma ve görüntüleme merkezleri arasında uyum sağlama üzerine yapılacak ek çalışmalarla, KMP-UNet benzeri yaklaşımlar güvenilir, hızlı görüntü analizini günlük klinik uygulamaya daha da yakınlaştırabilir.

Atıf: 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

Anahtar kelimeler: tıbbi görüntü segmentasyonu, derin öğrenme, UNet, durum uzay modelleri, Kolmogorov–Arnold ağları