3D医学检测曼巴：融合CNN与Mamba的混合网络在医学三维目标检测与定位中的突破

针对高维度医学影像中长程依赖建模与计算效率的难题，研究人员开发了3D MedicalDet-Mamba混合框架。该研究创新性地结合卷积神经网络(CNN)与Mamba模型优势，提出局部集成曼巴(LIM)模块和跨尺度聚合曼巴(ISAM)块，通过六层级三维切片(HH3S)扫描技术实现多尺度特征融合。实验表明，该模型在公共数据集上检测与定位精度超越现有方法，为复杂医学影像分析提供新范式。

　　

医学三维影像检测面临体积数据高维度与复杂空间关系的双重挑战。尽管卷积神经网络(CNN)和Transformer模型各具优势，但前者难以捕捉长程依赖，后者处理高分辨率3D医学图像时计算开销巨大。基于状态空间模型的曼巴(Mamba)架构以线性复杂度实现长程建模，为此领域带来新思路。

这项研究提出的3D MedicalDet-Mamba框架，创造性融合CNN的局部特征提取能力与曼巴的全局建模优势。其核心创新包含两大模块：局部集成曼巴(LIM)模块通过并行多核卷积与曼巴块协同工作，同步捕获全局上下文与细粒度局部特征；跨尺度聚合曼巴(ISAM)块则采用六层级三维切片(HH3S)扫描策略，高效整合多尺度体素特征。这种设计显著提升了复杂背景下医学目标的辨识度，同时优化了全局特征提取效率。

在公开数据集上的测试结果显示，该模型在检测灵敏度与定位精度双重指标上均超越现有先进方法。相关代码已开源，为医学影像分析领域提供了可复现的研究基准。这种混合架构不仅解决了传统方法的固有局限，更为CT、MRI等模态的病灶检测开辟了新路径。