灵活的状态空间建模,用于准确高效的3D肺结节检测.
Wenjia Song1, Fangfang Tang1, Henry Marshall2,3,4
1School of Electrical Engineering and Computer Science, The University of Queensland, Brisbane, Australia.
Biomedical physics & engineering express
|December 9, 2025
概括
一个新的AI模型,FCMamba,通过提高背景意识和减少处理步骤,改善CT扫描中的早期肺癌检测. 这种灵活的连接视觉状态空间模型为临床使用提供了更准确和更有效的3D肺结节识别.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在计算机断层扫描 (CT) 中早期和准确地检测肺结节对于降低肺癌死亡率至关重要.
- 目前的深度学习模型,如CNN和变形金刚,与全球背景,高度复杂性和依赖后处理作斗争.
- 现有的方法通常需要手动调整和后处理步骤,如非最大抑制 (NMS),阻碍效率.
研究的目的:
- 开发一个新的3D肺结节检测框架,FCMamba,以低计算复杂度平衡本地和全球的上下文意识.
- 在肺结节检测中,尽量减少对手动值调整和冗余后处理的依赖.
- 引入一个灵活的连接的视觉状态空间模型,从Mamba架构中调整,用于增强的空间建模.
主要方法:
- 提出了FCMamba,一个灵活的连接视觉状态空间模型,包含适应性3D特征序列重排序的灵活路径编码策略.
- 集成了一个顶级查询匹配器,以匈牙利匹配算法为指导,以取代传统的NMS进行端到端的一对一节点匹配.
- 在LIDC-IDRI数据集 (888张CT扫描) 上使用10倍交叉验证训练和评估模型.
主要成果:
- 在各种假阳性每扫描 (FPs/scan) 级别中,FCMamba的表现优于最先进的CNN,变压器和混合模型.
- 在0.125 FPs/扫描时实现了2.6%至20.3%的灵敏度改善,并提供了优异的CPM和FROC-AUC得分.
- 在各个结节大小中显示出平衡的性能,减少了假阳性,并提高了稳定性,特别是在高可信度预测中.
结论:
- FCMamba为3D肺结节检测提供了一种高效,可扩展和准确的解决方案.
- 该模型的灵活空间建模和消除后处理使其适合临床应用.
- 拟议的框架可适应其他医学成像任务,突出其多功能性.
