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