SPARNet：通过尺度保留径向扫描突破 3D 医学状态空间模型中的细节–方向权衡

基于摘要分析。该研究面向 3D 医学图像分割，提出 SPAR-Net，联合设计多尺度特征 token 化与状态空间模型（SSM）的序列扫描顺序，以缓解细粒度边界信息丢失和笛卡尔轴扫描引入的方向偏置；其主要研究对象不是 EEG 或 BCI。 方法上，Scale-Adaptive Feature Extractor 将细、中、粗尺度特征对齐到共享的高分辨率 token 网格，在调整感受野的同时保留空间细节。Stochastic Layer Scanning 以中心为参照构造径向层，并沿互补的向内与向外路径遍历，替代轴向扫描。Feature Refinement 模块在序列建模后恢复体积空间对应关系，Bidirectional Progressive Fusion Block 则在编码器不同层级间交换语义与边界信息。核心思路是同时控制 token 保留的信息和状态传播的空间路径，而非仅修改其中一环。 作者报告，在统一评估协议下，SPARNet 相较既有 3D 分割模型改善了 Dice 和 HD95：在 Synapse 多器官 CT 上平均 Dice 为 85.25%、HD95 为 12.20；在 MSD Pancreas 上平均 Dice 为 64.02%、HD95 为 17.15。摘要未提供具体划分、对照模型、HD95 单位及统计不确定性，尚不能据此进行跨协议比较。作者报告，胆囊、胰腺及胰腺肿瘤等边界敏感目标获益较大，组件分析支持细粒度多尺度 token 化与径向双向传播具有互补性；具体消融结果与效率代价尚未验证。 平台推测（待验证）：该机制仅在具有明确空间邻接和中心参照的神经影像体数据上存在可检验的迁移假设，不能直接外推到 EEG 时序。若探索 EEG，需将体素径向层改为电极空间邻接并重新定义中心，同时保留时间顺序；低信噪比、通道缺失、跨被试电极差异及小样本均可能使该映射失效。可在固定数据划分与模型容量下，对照原扫描、仅多尺度 token 化、仅空间径向扫描及两者结合，检验收益是否来自两者互补。已有 EEG 相关工作尚未检索确认。