MBM-Mamba：基于Mamba的多分支结构尘肺病筛查及分期模型

摘要

现有的基于卷积神经网络(Convolutional Neural Network,CNN)的辅助诊断方法在尘肺病筛查与分期任务中难以达到理想精度。本文提出了一种面向胸部X光图像尘肺病筛查与分期的多分支结构模型,即MBM-Mamba,并在二维选择性扫描模块(2D-Selective-Scan,SS2D)框架下提出了新的六向扫描策略,借助对角扫描以线性时间复杂度显式捕获了二维局部依.赖关系,然后通过在CNN中整合先验信息构建了细节增强模块(Detail Enhancement Module,Dem),从而形成了局部特征提取模块(CNN-Mamba),以显著提升细微病灶信息的表达能力。另外,MBM-Mamba模型在多头自注意力机制基础上设计了全局特征提取模块,有效增强了全局上下文捕捉能力。MBM-Mamba模型利用多路残差整合了上述局部和全局两个特征提取模块,实现了跨结构特征的同步分层融合,从而能更好地理解肺部病灶的整体分布与纤维化程度。在1 760张真实匿名患者的胸部X光片上进行验证,MBM-Mamba模型准确率达到0.786,F1分数为0.790,这两项指标均优于现有模型。

关键词

尘肺病 / X光胸片 / 卷积神经网络 / 细节增强 / 多头自注意力机制

基金资助

合肥综合性国家科学中心大健康研究院职业医学与健康联合研究中心项目（OMH-2023-05和OMH-2023-24）; 安徽理工大学医学专项培育项目（重大项目）（YZ2023H2A007）;安徽理工大学青年基金（重点项目）（QNZD202202）; 淮南市指导性科技计划项目（2023142,2023147）; 国家自然科学基金面上项目（52374155）; 安徽省自然科学基金面上项目（2308085MF218）; 安徽省高等学校自然科学研究项目（重点项目）（2024AH050399）;安徽省高等学校自然科学研究项目（重大项目）（2022AH040113）; 安徽省中青年教师培养行动优秀青年教师培育重点项目（YQZD2023035）