CKTNet：一种基于交叉注意力KAN-Transformer的心包脂肪组织少样本分割方法

摘要 通过磁共振（MR）图像分割对心包脂肪组织（PAT）进行精确定量，对于早期心血管疾病的诊断至关重要。PAT复杂的解剖结构和位置加剧了MR图像边界处的模糊现象。尽管Unet已成为PAT分割的基石，但它仍面临长距离依赖捕获能力弱和非线性建模不足等挑战。在标注MR数据集匮乏的少样本学习场景下，这些局限性尤为突出。因此，我们提出了一种基于少样本学习的新型交叉注意力KAN-Transformer网络，命名为CKTNet。具体而言，我们提出了一种自适应多尺度特征融合模块，用于动态获取有价值的低层和高层特征，融合多尺度上下文信息以缓解PAT复杂解剖结构带来的挑战。其次，我们将KAN与Depthwise Convolution相结合以构建KAN编码器，并将其嵌入到Transformer架构中。该KAN编码器能够有效捕获PAT结构复杂性的非线性关系。最后，我们提出了一个交叉注意力Transformer块，它解决了两大缺陷：基于原型的少样本学习模型难以捕获实例间的细微差异，以及Transformer对局部上下文缺乏关注。我们在MR模态的MRPEAT数据集上将我们的模型与最先进的模型进行了比较。我们的模型取得了0.799的得分、0.762的精确率、0.842的召回率和14.016的Hausdorff距离。实验结果表明，我们的模型显著提高了PAT MR图像分割的准确性和可解释性，这对临床应用至关重要。