DAMamba-UNet3D: Segmentazione 3D Efficiente di Immagini Mediche con Scansione Adattiva Dinamica

È stata proposta una nuova architettura di modello a spazio di stato (SSM) efficiente in termini di parametri per la segmentazione 3D di immagini mediche, denominata DAMamba-UNet3D. Il codificatore-decodificatore ibrido integra blocchi di scansione adattiva dinamica (DAS) triplanare 3D negli stadi del codificatore E2-E4, mantenendo le convoluzioni altrove, raggiungendo circa 5,3 milioni di parametri. Sul dataset BraTS 2020 con convalida incrociata a cinque fold, ottiene un punteggio Dice medio di 0,815±0,013 nella valutazione per caso a volume intero, con un costo di parametri circa 13 volte inferiore rispetto a SegMamba (0,824). Il lavoro affronta le limitazioni delle U-Net convoluzionali (solo miscelazione locale) e dei transformer (costo quadratico) sfruttando la propagazione globale O(n) di Mamba. Il DAS, che apprende un riordinamento dipendente dai dati prima della scansione selettiva, viene applicato per la prima volta all'imaging medico e esteso a volumi 3D.