Serp-Mamba：利用选择性状态空间模型推进高分辨率视网膜血管分割

基于摘要分析。本文研究超广角扫描激光眼底成像（UWF-SLO）中的高分辨率视网膜血管分割，提出 Serpentine Mamba（Serp-Mamba），通过顺应弯曲血管的扫描机制和模糊像素重校准，处理细长血管的连续性建模与血管／背景类别不平衡问题；研究对象是眼底图像，并非 EEG 或 BCI 信号。 核心机制：作者利用 Mamba 的选择性状态空间模型（SSM）建模长程依赖，并提出 Serpentine Interwoven Adaptive（SIA）扫描机制，以蛇形方式沿弯曲血管结构扫描图像，旨在连续捕获管状结构特征。另一模块 Ambiguity-Driven Dual Recalibration（ADDR）通过两个可学习阈值划分像素，并以双驱动策略细化模糊像素。摘要未说明扫描路径的具体生成方式、双驱动策略的组成、损失函数及训练流程，这些细节尚未验证。 结果与复现：作者报告在三个数据集上的实验显示 Serp-Mamba 具有更优的高分辨率血管分割表现，并报告开展了验证模块作用的消融研究。摘要未提供数据集名称、划分协议、对照方法、指标数值或统计信息，因而不能量化优势或判断其跨数据集泛化能力。作者表示代码将在论文发表时发布；当前代码可用性及发表状态不能据此确定。 适用边界：该方法依赖图像中的空间邻接、弯曲管状纹理和像素级分割任务。仅凭长程依赖建模这一共性，不能推断其可改善 EEG/BCI；材料未提供扫描路径与神经信号时序或通道结构的明确对应，因此不提出迁移实验建议。已有 EEG 相关工作尚未检索确认。