MambaMIM：利用状态空间 token 插值预训练 Mamba 及其在医学图像分割中的应用

MambaMIM 研究如何将掩码图像建模用于 Mamba 预训练，并应用于医学图像分割；材料列出的主要贡献包括状态空间 token 插值、跨架构掩码一致性策略及层次化混合解码。基于摘要分析，实际可得材料仅为论文 Highlights，未取得全文。 机制方面，作者提出 TOKI，强调状态空间中的一致性，以支持因果学习；结合标题，其方法涉及状态空间 token 插值，但插值对象、计算方式及其与 Mamba 状态更新的关系尚未验证。作者还提出自底向上的策略，以保持不同架构之间的掩码一致性，并引入层次化混合解码来学习多尺度表征。材料未给出预训练目标、损失形式、掩码比例、训练流程或所涉及架构的具体配置。 结果方面，作者报告该方法在 CT 腹部、病灶及 MR 肿瘤分割中有效，但材料未提供数据集名称、样本规模、划分协议、对照基线、指标或数值，因此不能判断收益大小及跨任务稳定性。作者将其描述为首次探索 Mamba 上掩码图像建模潜力的尝试，该优先性主张尚未独立核实。实验协议、消融及统计信息尚未验证，复现所需的代码、权重和训练配置也尚未确认。 原论文的主要对象是医学图像分割，而非 EEG 或 BCI。现有材料不足以建立其图像掩码、状态空间插值与神经信号建模之间的具体对应关系，因此不将其改写为已验证的 BCI 方法，也不据此提出迁移实验；相关 EEG 工作尚未检索确认。