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。该研究面向 3D 生物医学图像中的长程体素依赖建模，提出 nnMamba，将 CNN 的局部表征能力与状态空间模型（SSM）的全局上下文建模相结合，用于图像分割、分类与标志点检测，而非直接研究 EEG 或 BCI。 核心模块为 Mamba-In-Convolution with Channel-Spatial Siamese learning（MICCSS），用于建模长程体素关系；此外引入 channel scaling 与 channel-sequential learning，以增强密集预测和分类任务的表现。其方法动机是缓解 CNN 局部感受野的限制，同时应对 Transformer 在高维医学图像上的计算负担。摘要未提供模块内部结构、体素序列化方式、损失函数、训练策略或实际计算成本，这些细节尚未验证。 作者报告，在七个数据集上的实验覆盖 3D 图像分割、分类和标志点检测，并优于所比较的现有先进方法。但所给材料未列出数据集名称、划分方式、基线、评价指标及具体数值，因此无法判断各任务收益的幅度与适用范围，也不能确认其效率优势。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：假设局部特征提取与 SSM 长程建模的组合可用于 EEG 长时间窗建模，其可复用部分可能是 CNN–SSM 的组合思路；原方法依赖 3D 体素空间结构，而 EEG 的时间轴、通道拓扑及任务监督不同，需改造输入组织与通道建模。低信噪比、跨被试分布变化和小样本可能削弱收益，体素关系也不能直接等同于电极关系。一个可检验的小实验是在固定跨被试划分、相同预处理与训练预算下，对比 CNN 基线及加入 SSM 的变体，检验长时间窗任务表现与计算成本是否同时改善。已有 EEG 相关工作尚未检索确认。