CAM-PoEm：用于边界感知图像分割的轮廓引导状态空间建模

基于摘要分析。该研究针对胃肠道息肉形态差异大、边界模糊导致的图像分割困难，提出以 Contour-Aware Mamba（CAM）为瓶颈模块的编码器–解码器架构 CAM-PoEm。核心贡献是在状态空间模型的状态到输出读出环节引入轮廓先验，而不修改递归状态动态，以结合长程建模与细粒度边界定位。 机制上，Learnable Contour Extractor 将 Sobel 梯度与可学习细化结合，生成结构先验；Multi-Kernel Positional Embedding 提供互补的多尺度局部空间编码。相较于标准 Mamba，方法的关键变化是轮廓信息的注入位置，而非仅增加全局建模能力。读出条件化的具体形式、各模块训练方式及计算开销尚未验证。 作者报告，使用 4.96M 参数的 CAM-PoEm 在 Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB 和 PolypGen2021 上的 Dice 分别为 91.65%、91.50%、88.31% 和 88.27%；摘要未提供这些结果对应的训练与测试划分，不能据此认定为跨数据集泛化结果。在另一个独立的 Kvasir-SEG 三次运行受控消融中，作者报告，将标准 Mamba 替换为 CAM 后，Dice 从 0.8873 ± 0.0044 提升至 0.9161 ± 0.0037；该消融与前述主结果应分别理解，± 的统计含义尚未验证。作者还报告，轮廓先验作用于读出端优于作用于其他状态空间参数，但摘要未给出具体对照数值。 这些结果支持作者关于读出端结构条件化有助于边界敏感性的解释，但边界专用指标、实验协议、消融完整性及统计信息尚未验证。复现需核对数据划分与预处理、轮廓先验生成方式、读出条件化实现及训练配置。该方法依赖图像空间结构与轮廓信息，现有材料未建立其与 EEG/BCI 任务的具体对应关系，因此不据此提出迁移效果或复现实验建议。