RESUMEN La detección universal de lesiones (ULD) en escaneos de tomografía computarizada (CT) es crucial para el diagnóstico y estadiado del cáncer. Sin embargo, detectar lesiones basándose en una única entrada de corte es complicado debido a su pequeño tamaño, bajo contraste y la complejidad de las estructuras anatómicas circundantes. Dado que las lesiones a menudo abarcan múltiples cortes adyacentes, capturar información contextual entre cortes es crucial para desarrollar algoritmos automatizados de detección de lesiones. Para abordar esto, proponemos HyMamba‐ULD, una estructura base Hybrid Mamba‐CNN diseñada para el modelado del contexto entre cortes. Nuestro enfoque consiste en dos componentes clave: (1) el módulo Target Slice Enhanced Mamba‐CNN (TSE‐MC), que extrae características contextuales 3D multiescala de múltiples cortes adyacentes integrando representaciones locales basadas en CNN con características globales basadas en Mamba, y las refina a través de un mecanismo de atención centrado en el corte objetivo; y (2) el módulo Cross‐Slice Feature Aggregation Mamba (CSFAM), que incorpora explícitamente información global de los cortes superior e inferior para enriquecer la representación de características 2D del corte objetivo, facilitando así una detección 2D precisa posterior. Realizamos la evaluación en el punto de referencia NIH DeepLesion para la tarea de ULD. Nuestro enfoque alcanza un promedio de recuperación líder del 89.24% en el rango de 0.5–4 falsos positivos por imagen. Además, los experimentos en el conjunto de datos LiTS verifican aún más la generalización y efectividad del método propuesto. El código fuente es accesible a través de https://github.com/ssli23/HyMamba‐ULD.
Li et al. (Jue,) estudiaron esta cuestión.