面向医学图像分割的视觉状态空间对偶：通过非因果建模提升精度

基于摘要分析。该研究针对医学图像分割中 CNN 长程建模受限、Transformer 计算复杂度较高的问题，将 Vision State Space Duality（VSSD）整合进 UNet-like 架构，提出 VSSD-UNet。其主要贡献是结合状态空间特征提取、保留空间信息的跳跃连接，以及解码器中的 VSSD 与 self-attention 混合结构。 机制上，摘要将 State Space Duality（SSD）描述为 Mamba2 中用于改善性能与效率的 SSM 变体，并以 SSM 的线性计算复杂度作为方法动机。VSSD-UNet 使用一系列 VSSD blocks 提取特征，通过跳跃连接传递空间信息；作者认为混合解码器有助于兼顾局部细节与全局上下文。标题强调非因果建模，但摘要未说明其具体计算机制、扫描方式及与原始 SSD 的差异，不能据此推断实现细节；完整模型的计算与内存开销也尚未验证。 作者报告，在公开病灶分割数据集 ISIC2017 和 ISIC2018 上进行了对比与消融实验，并在相同超参数设置下优于若干 UNet 类型。摘要没有给出指标名称、分数、数据划分、基线清单或消融结果，实验协议、消融及统计信息尚未验证，暂不能判断优势幅度及其稳定性。摘要称代码将很快发布，不代表当前已可获取。 平台推测（待验证）：非因果上下文聚合可能适用于离线 EEG 序列分析中的长程依赖瓶颈，但这只是机制层面的迁移假设，医学图像分割结果不构成 BCI 有效性的证据。VSSD blocks 可作为候选复用模块，二维空间组织、跳跃连接与分割解码器则需按 EEG 的时间—通道结构及任务监督改造。低信噪比、通道差异、跨被试分布变化和小数据训练可能削弱收益；非因果处理也不能直接用于要求严格因果性的在线解码。一个可检验的小实验是在固定跨被试划分与训练预算下，对比 VSSD 编码器、因果状态空间编码器及 self-attention 基线，使用一致的任务指标并记录计算开销。已有 EEG 相关工作尚未检索确认。