MambaVesselNet：基于状态空间模型的血管分割新方法

基于摘要分析。该研究针对三维血管分割中细小结构难以捕获、边缘难以准确分割，以及伪影和噪声容易造成假阳性的问题，提出 MambaVesselNet。核心方法是结合选择性状态空间序列建模、边缘增强模块和特征选择模块，兼顾较大感受野与细粒度血管结构识别。 技术机制方面，摘要称选择性状态空间建模用于扩大感受野，边缘增强模块用于强化血管边缘特征，特征选择模块具有长序列建模能力；输入预处理采用 nnUNet 的策略，以保证空间一致性。三维体数据如何组织为序列、各模块的具体结构与交互方式，以及损失函数、训练和推理配置，尚未验证。 作者报告，在三个标准血管分割基准上取得了其所称的最先进性能；其中，在心血管和肝血管数据集上，Dice 系数分别提升 1.38% 和 2.69%。摘要未明确这些提升是相对百分比还是绝对百分点，也未提供对应基线、绝对 Dice 值、数据集具体名称与划分，因此不能进一步解释提升幅度或进行跨协议比较。实验协议、消融及统计信息尚未验证。 本文的主要研究对象是三维医学影像中的血管结构，而非 EEG 解码或 BCI。摘要提供了状态空间建模与空间边缘处理的组合思路，但尚不足以建立其与神经信号任务的具体对应关系，因此不提出 EEG/BCI 迁移实验建议。复现前需取得全文，核对序列组织方式、预处理配置、模块实现及评估基线；代码与模型权重的公开情况尚未验证。