nnMamba：基于状态空间模型的 3D 生物医学图像分割、分类与标志点检测

基于摘要分析。该研究针对 3D 生物医学图像分割、分类与标志点检测中的长程依赖建模问题，提出结合 CNN 与状态空间序列模型（SSMs）的 nnMamba，旨在兼顾局部表征与全局上下文处理。原论文的主要研究对象是 3D 生物医学影像，而非 EEG 解码或 BCI。 核心机制是 Mamba-In-Convolution with Channel-Spatial Siamese learning（MICCSS）模块，用于建模体素之间的长程关系；作者还针对密集预测与分类任务设计了 channel-scaling 和 channel-sequential learning 方法。摘要将 CNN 的局部感受野限制与 Transformer 在高维医学图像上的计算负担作为设计动机，但未提供模块内部结构、损失形式、训练流程或复杂度测量，相关细节尚未验证。 作者报告，在 6 个数据集上开展的分割、分类与标志点检测实验中，nnMamba 优于所比较的先进方法。摘要未列出数据集名称、划分协议、对照方法及具体指标，因此不能据此量化优势或比较不同任务的效果。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现完整性、运行依赖与结果可复现性仍需核对。 平台推测（待验证）：其局部特征提取与长程状态建模的组合，可能对应 EEG 中局部波形与较长时间上下文联合建模的需求；这是迁移假设，不是本文已验证的结论。可考察 CNN–SSM 组合，但需将体素组织方式改为时间与 EEG 通道结构，并重新审视 channel-spatial 学习方式。低信噪比、通道布局差异、跨被试分布变化及小样本训练可能削弱效果。一个可检验的小实验是在固定 EEG 数据划分和训练预算下，对比 CNN 基线与加入 SSM 的版本，并通过移除长程模块检验其增益；已有相关 EEG 工作尚未检索确认。