ABSTRAK
Deteksi objek 3D dalam pencitraan medis menimbulkan tantangan signifikan karena dimensionalitas tinggi dan hubungan spasial yang kompleks dari data volumetrik. Kemajuan terkini dengan pendekatan berbasis jaringan saraf konvolusional (CNN) dan transformator telah menunjukkan janji; namun, CNN berjuang dengan menangkap dependensi jarak jauh, sementara transformator menimbulkan biaya komputasi dan memori yang tinggi saat menangani gambar medis 3D beresolusi tinggi. Model berbasis Mamba menawarkan alternatif yang efisien dengan memodelkan dependensi jarak jauh secara linier, mengurangi kompleksitas sambil mempertahankan representasi fitur yang efektif. Studi ini memperkenalkan 3D MedicalDet-Mamba, kerangka kerja hibrida baru yang mengintegrasikan kekuatan pelengkap CNN dan Mamba untuk deteksi dan pelokalan objek medis 3D yang tepat. Secara khusus, kami mengusulkan modul Mamba terintegrasi lokalitas (LIM), yang menggabungkan konvolusi multi-kernel paralel dengan blok berbasis Mamba untuk menangkap dependensi global dan struktur lokal berbutir halus, memastikan representasi fitur yang lebih komprehensif. Selain itu, kami memperkenalkan blok Mamba (ISAM) agregasi antarskala, komponen berbasis Mamba yang memanfaatkan pemindaian irisan 3D heksa-hierarkis (HH3S) untuk menggabungkan fitur-fitur tingkat voxel multiskala. Mekanisme ini meningkatkan pemisahan objek medis dari latar belakang yang kompleks sekaligus meningkatkan efisiensi ekstraksi fitur global. Hasil eksperimen pada kumpulan data publik menunjukkan bahwa 3D MedicalDet-Mamba mengungguli metode canggih dalam akurasi deteksi dan pelokalan. Kode tersedia di https://github.com/ssli23/3D-MedicalDet-Mamba .
3D MedicalDet-Mamba: Jaringan Mamba-CNN Hibrida untuk Deteksi dan Pelokalan Objek Medis
