💻 computer science

SCKAN: Structural Consensus-based KAN Prototype Learning for Semi-Supervised Pancreas Segmentation

Le papier propose SCKAN, un cadre d'apprentissage semi-supervisé novateur qui intègre les réseaux de Kolmogorov-Arnold avec des mécanismes de consensus structurel pour surmonter les biais de supervision et améliorer la généralisabilité dans la segmentation du pancréas dans des conditions d'annotation parcimonieuse.

Auteurs originaux : Yuqi Liu, Yufei Chen, Wei Fu, Xiaodong Yue, Shuo Li

Publié 2026-05-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yuqi Liu, Yufei Chen, Wei Fu, Xiaodong Yue, Shuo Li

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Trouver le pancréas dans une foule

Imaginez que vous essayez d'enseigner à un ordinateur à localiser le pancréas (un petit organe capricieux) à l'intérieur de milliers d'images de scanners CT en 3D. Cela est crucial pour détecter le cancer à un stade précoce.

Le Problème :
Vous disposez d'un immense tas d'images, mais seule une infime minorité possède des « corrigés » (des médecins y ont dessiné le pancréas). Le reste est vierge. C'est ce qu'on appelle l'Apprentissage Semi-Supervisé.

Le pancréas est un caméléon. Chez une personne, il ressemble à un long serpent ; chez une autre, c'est une petite masse ronde et épaisse. Comme les formes varient énormément, l'ordinateur se perd. Lorsqu'il n'a que quelques « corrigés » pour apprendre, il développe une mauvaise habitude appelée « Biais de Supervision ».

L'Analogie : Imaginez un étudiant qui n'étudie que trois examens blancs spécifiques. Si l'examen réel ressemble légèrement différemment, l'étudiant panique et se trompe. Il a mémorisé les exemples au lieu de comprendre le concept. L'ordinateur finit par couper des parties du pancréas (sous-segmentation) ou par saisir trop de tissus environnants (sur-segmentation).

La Solution : SCKAN (La méthode du « Groupe d'Étude Intelligent »)

Les auteurs proposent une nouvelle méthode appelée SCKAN. Imaginez qu'il s'agit d'organiser une « séance de travail en groupe » où l'ordinateur apprend non seulement à partir des quelques corrigés, mais en découvrant les règles structurelles partagées qui s'appliquent à tout le monde, indépendamment de l'apparence de leur pancréas.

Ils utilisent un nouveau type de moteur mathématique appelé KAN (Réseau de Kolmogorov-Arnold).

L'Analogie : L'IA traditionnelle est comme une règle rigide ; elle tente de forcer chaque forme à s'aligner sur une ligne droite. Un KAN est comme un élastique flexible et extensible. Il peut se plier et se tordre pour épouser parfaitement des formes complexes et sinueuses, en filtrant le « bruit » (les différences aléatoires) pour trouver le « signal » (la vraie forme).

SCKAN fonctionne en deux étapes principales :

1. SPCL : La « Carte Anatomique » (Apprentissage de prototypes contraint par la structure)

Au lieu de considérer le pancréas entier comme une grosse masse confuse, SCKAN le décompose en trois parties logiques : la Tête, le Corps et la Queue.

Comment ça marche : Même si chaque pancréas a une forme différente, ils possèdent tous une tête, un corps et une queue dans un ordre à peu près identique.
L'Analogie : Imaginez essayer de reconnaître un ami dans une foule. Au lieu de mémoriser son visage exact (qui peut changer avec un chapeau ou des lunettes), vous vous concentrez sur la structure : « Il a une tête en haut, un corps au milieu et des jambes en bas ».
La Magie : Le système force l'ordinateur à apprendre que la « Tête » de la Personne A doit ressembler à la « Tête » de la Personne B, même si la Personne A est grande et la Personne B est petite. Cela crée un « consensus structurel » (un accord sur les règles) à travers toutes les images, empêchant l'ordinateur de se laisser biaiser par les quelques exemples étiquetés.

2. CKaF : Le « Filtre à Bruit » (Fusion KAN basée sur le consensus)

Une fois que l'ordinateur a identifié ces parties Tête/Corps/Queue, il doit combiner les informations provenant des quelques images « étiquetées » et des nombreuses images « non étiquetées ».

Comment ça marche : Les images non étiquetées sont pleines de bruit et de confusion. Le KAN agit comme un filtre ultra-intelligent.
L'Analogie : Imaginez une salle de classe bruyante où 99 élèves chuchotent des choses au hasard, et où seul 1 élève a la bonne réponse. Un enseignant normal pourrait se laisser distraire par le bruit. Le KAN est comme un super-enseignant capable d'ignorer instantanément les 99 chuchotements, de trouver le fil conducteur de vérité parmi eux, et de le combiner avec la seule réponse correcte pour créer une leçon parfaite et claire.
Le Résultat : Il filtre les formes « étranges » des échantillons individuels et ne conserve que les connaissances stables et partagées.

Pourquoi cela compte (selon le document)

Les auteurs ont testé cela sur deux ensembles de données publics de scanners du pancréas.

Le Résultat : Lorsqu'ils ont donné à l'ordinateur très peu de « corrigés » (aussi peu que 3 ou 5 % des données), SCKAN a nettement mieux performé que toutes les méthodes précédentes.
La Preuve : Dans les visualisations, les autres méthodes laissaient des trous dans le pancréas ou saisissaient trop de fond. SCKAN a produit des contours nets et complets qui ressemblaient beaucoup aux dessins des médecins.

Résumé

SCKAN est une nouvelle façon d'enseigner aux ordinateurs à trouver des pancréas dans des scanners médicaux lorsqu'il y a très peu d'exemples pour apprendre.

Il empêche l'ordinateur de simplement mémoriser des exemples spécifiques (ce qui cause des erreurs).
Il décompose l'organe en parties logiques (Tête, Corps, Queue) pour trouver des règles partagées.
Il utilise un outil mathématique flexible et intelligent (KAN) pour filtrer le bruit et combiner ce qu'il apprend de tout le monde.

Le résultat est un ordinateur qui comprend la structure du pancréas, et non pas seulement les images qu'on lui a montrées, conduisant à des diagnostics médicaux beaucoup plus précis.

Résumé Technique : SCKAN – Apprentissage de Prototypes KAN Basé sur le Consensus Structurel pour la Segmentation Semi-Supervisée du Pancréas

Énoncé du Problème
Une segmentation précise du pancréas est vitale pour le diagnostic précoce du cancer, mais elle est entravée par la rareté des données médicales annotées, nécessitant un Apprentissage Semi-Supervisé (SSL). Les méthodes SSL existantes, en particulier celles reposant sur la Régularisation par Cohérence (CR) ou l'Apprentissage de Prototypes (PL), font face à des limitations sévères de généralisabilité lorsqu'elles sont appliquées aux données pancréatiques. Cela est dû à une variabilité morphologique inter-échantillons significative (différences de forme et de taille entre les patients). Ces limitations entraînent un problème de « Biais de Supervision » : les modèles échouent à généraliser au-delà des guidages étiquetés limités, résultant en une sous- ou sur-segmentation. Les méthodes actuelles manquent de connaissances structurelles partagées entre les échantillons ; elles traitent les échantillons de manière isolée ou s'appuient sur des prototypes contraints par une supervision sparse, échouant à capturer les sémantiques structurelles analogues (tête, corps, queue) qui existent à travers des morphologies diverses.

Méthodologie : SCKAN
Les auteurs proposent l'Apprentissage de Prototypes KAN Basé sur le Consensus Structurel (SCKAN), le premier cadre intégrant les Réseaux de Kolmogorov-Arnold (KAN) avec un apprentissage de consensus structurel inter-échantillons pour la Segmentation Semi-Supervisée du Pancréas (SSPS). Construit sur un cadre Mean-Teacher, SCKAN emploie deux composants principaux pour adresser le biais de supervision :

Apprentissage de Cohérence de Prototypes Contraint par la Structure (SPCL) :
- Décomposition Spatiale Sensible à la Structure (SSD) : Ce module décompose le pancréas en sous-régions spatialement cohérentes (tête, corps, queue) en utilisant un clustering K-means guidé par l'anatomie sur les coordonnées spatiales. Cela établit une correspondance structurelle inter-échantillons fiable, garantissant que les prototypes de différents échantillons représentent des parties anatomiques analogues.
- Calibration de Cohérence Positionnelle (PCC) : Pour affiner ces prototypes, la PCC introduit deux mécanismes :
  - Apprentissage Contrastif Pondéré par la Position : Assigne des poids spécifiques aux paires de prototypes en fonction de leur appartenance à la même classe et région, optimisant l'alignement inter-échantillons et la discriminabilité inter-classe.
  - Régularisation de Décorrélation Positionnelle : Impose une pénalité sur les prototypes intra-échantillons pour assurer la diversité parmi les sous-régions (par exemple, garantir que le prototype de la tête reste distinct du prototype de la queue au sein du même échantillon).
Fusion Kolmogorov-Arnold Basée sur le Consensus (CKaF) :
- Ce module exploite les capacités supérieures d'ajustement non linéaire des KAN pour agréger un consensus structurel stable tout en filtrant le bruit spécifique à l'échantillon.
- Il utilise les fonctions B-splines adaptatives des KAN à support local pour modéliser des relations inter-échantillons complexes et non linéaires. En traitant les prototypes étiquetés et non étiquetés à travers des couches KAN et en effectuant une moyenne au niveau du lot, la CKaF synthétise un « Prototype de Consensus Structurel ». Ce processus filtre efficacement le bruit spécifique à la morphologie et agrège des connaissances stables partagées entre des échantillons à haute variabilité, réduisant ainsi le biais.
Apprentissage Synergique Guidé par le Consensus :
- Le réseau de segmentation et l'espace des prototypes sont reliés via une régularisation par cohérence. Une fonction de perte hybride (combinant Dice et Entropie Croisée) est appliquée à la fois aux prédictions de segmentation et aux prédictions basées sur les prototypes. Une fonction de réchauffement gaussienne dépendante du temps augmente progressivement la contribution de l'apprentissage par consensus durant l'entraînement.

Contributions Clés

Premier Consensus Structurel Inter-Échantillons avec des KANs : L'article introduit la première application des KANs pour construire un apprentissage de consensus structurel inter-échantillons dans le contexte de la SSPS, ciblant spécifiquement le biais de supervision causé par la diversité morphologique pancréatique.
Mécanisme SPCL Novel : Les auteurs conçoivent un mécanisme de cohérence au niveau des prototypes guidé par l'anatomie qui favorise des représentations structurelles non biaisées en imposant un alignement inter-échantillons au niveau des sous-régions (tête, corps, queue).
Stratégie CKaF Novel : Une stratégie de fusion inter-échantillons améliorée par les KAN est proposée pour agréger un consensus stable et filtrer le bruit spécifique à l'échantillon, réduisant ainsi le biais spécifique à la morphologie.

Résultats Expérimentaux
La méthode a été évaluée sur deux jeux de données publics : NIH-PAN (80 scans CT) et MSD-PAN (281 cas annotés).

Performance : SCKAN a obtenu des résultats de l'état de l'art sur les deux jeux de données. Sur le jeu de données NIH-PAN avec seulement 5 % de données étiquetées (3 échantillons), SCKAN a obtenu un score Dice de 78,91 %, surpassant significativement les méthodes SSL précédentes telles que BCP (74,90 %) et MPER (74,88 %).
Robustesse : Sur le jeu de données plus difficile MSD-PAN, SCKAN a maintenu des performances compétitives avec une variance constamment faible, atteignant un Dice de 63,72 % à 20 % de supervision.
Qualité Visuelle : Les résultats qualitatifs ont démontré que SCKAN préserve efficacement l'intégrité structurelle et réduit les trous ou la sur-segmentation courants dans d'autres méthodes.
Études d'Ablation :
- Le retrait des composants SPCL (SSD et PCC) a entraîné une baisse du score Dice, confirmant la nécessité d'une correspondance structurelle guidée par l'anatomie.
- Le remplacement de la fusion KAN (CKaF) par des stratégies standard de MLP ou de Fusion Moyenne a accru l'écart entre les performances des données étiquetées et non étiquetées, validant que les KANs sont supérieurs pour filtrer le bruit et agréger le consensus.
- Le coefficient de perte de diversité ( $\lambda_{div}$ ) a été trouvé optimal à 0,5, équilibrant l'alignement inter-échantillons et la diversité intra-échantillons.

Signification et Revendications
L'article revendique que SCKAN adresse fondamentalement le problème de « Biais de Supervision » dans la segmentation semi-supervisée du pancréas. En allant au-delà de la cohérence par échantillon vers un consensus structurel inter-échantillons, la méthode permet aux modèles d'apprendre des connaissances anatomiques partagées malgré une variabilité morphologique significative. L'intégration des KANs est soulignée comme une innovation critique, car leur non-linéarité B-splines adaptative fournit une base solide pour modéliser des relations inter-échantillons complexes et filtrer le bruit local. Les auteurs affirment que cette approche conduit à une segmentation plus généralisable et précise, en particulier dans des scénarios de rareté extrême d'annotation. Le code est rendu publiquement disponible pour faciliter la recherche ultérieure.