SpectMamba：融合频域与状态空间模型以增强医学图像检测

基于摘要分析。该研究面向医学图像异常检测，提出 SpectMamba，将频域特征建模与 Mamba 状态空间建模结合，旨在兼顾高分辨率图像检测的准确性与计算效率；研究对象是医学图像，而非 EEG 或 BCI 信号。 作者以 CNN 感受野受限、Transformer 处理高分辨率图像的计算成本较高为动机，利用 Mamba 长序列处理的线性复杂度特性构建检测架构。其 Hybrid Spatial-Frequency Attention（HSFA）模块分别学习高频与低频特征，并关联频域与空间特征；作者认为这能够缓解频率偏置导致的高频信息损失并增强全局上下文捕获。另一个组件 Visual State-Space Module（VSSM）用于加强长程依赖，Hilbert Curve Scanning 则用于强化空间相关性与局部依赖。摘要未提供这些模块的具体实现、损失函数、训练设置或计算复杂度测量。 作者报告，SpectMamba 在多种医学图像检测任务上达到 state-of-the-art 表现，并兼具有效性与效率；但摘要未列出数据集、划分、基线、检测指标、数值或运行条件，因此无法核对其优势幅度与适用范围。作者还声称这是首个用于医学图像检测的 Mamba 架构，该优先性声明尚未独立验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 转换为时频图，HSFA 的高低频分开建模可能用于检验不同频段信息的保留，状态空间模块可能用于长程依赖建模；这仅是机制假设，不代表已有 EEG 效果。可复用候选是频域与空间特征关联思路，需改造的是输入表示、频段定义和扫描顺序，因为时频轴及通道拓扑并不等同于医学图像的二维空间邻接。低信噪比下的高频噪声、跨被试频谱差异及小数据条件均可能使该迁移失败。可在固定 Cross-subject 划分的 EEG 时频图分类任务中，比较同一状态空间基线是否加入 HSFA，并单独控制扫描顺序，检验性能变化是否来自频率模块而非参数量差异。已有 EEG 相关工作尚未检索确认。