BiM-GeoAttn-Net在71例主动脉夹层CTA上取得93.35% Dice，优于CNN、Transformer与SSM基线
核心概要
该工作提出BiM-GeoAttn-Net，在nnU-Net瓶颈处级联双向深度Mamba（BiM）与几何感知血管注意力（GeoAttn），在71例多来源Stanford B型主动脉夹层CTA数据上以二分类方式分割真假腔血管前景，取得Dice 93.35%、IoU 87.53%、Recall 94.85%、Precision 92.04%与HD95 12.36 mm，在重叠指标上优于Attention U-Net、nnU-Net、Swin-UNet、SegFormer3D与Mamba-UNet，边界精度与计算开销保持竞争力。
Figure 1: Challenges in AD CTA segmentation. Four consecutive axial slices exhibit strong cross-slice continuity, subtle boundary contrast, and morphological variation. Ground-truth masks are in red.
· 第 2 页深度剖析
BiM-GeoAttn-Net是一个轻量级3D分割框架，在nnU-Net瓶颈处加入两个互补模块，针对长程上下文建模不足与低对比度边界模糊这两类问题。 与直接堆叠3D自注意力或通用序列建模的既有做法不同，该设计把深度轴状态空间建模与血管几何先验放在同一瓶颈阶段级联。 论文给出完整架构图与公式化描述，并在统一训练设置下与五类代表性基线比较。
双向深度Mamba（BiM）沿深度轴做双向状态空间扫描，以近线性复杂度聚合跨切片上下文，用于稳定层间连续性。 既有SSM医学分割方法多采用通用序列构造，未显式让建模方向对齐解剖连续性；BiM把序列方向固定为深度轴并双向融合。 消融显示仅加入BiM即把Dice从89.77%提升到91.12%，HD95从29.08 mm降到20.35 mm。
几何感知血管注意力（GeoAttn）用三个平面各向异性卷积加一个标准3D卷积提取方向敏感管状结构，再经空间与通道双重注意力细化边界。 相比纯全局建模，该模块显式引入血管结构先验，用于锐化低对比度下的模糊边界。 单独加入GeoAttn时Dice为90.67%、Recall提升，HD95为25.48 mm；两模块合用后Dice达93.35%、HD95降至12.36 mm。
在71例患者级划分的多来源TBAD CTA数据上，该方法在重叠指标上全面领先，同时训练开销与nnU-Net接近。 相对nnU-Net，Dice与IoU分别提升2.51%与3.89%；相对Transformer类模型，训练时间与显存更低。 测试集为14例，训练50例、验证7例；每epoch 2.9分钟、8.0 GB显存，对比nnU-Net的2.8分钟、7.6 GB。
启示与展望
该结果面向Stanford B型主动脉夹层CTA的血管前景（真腔+假腔）二分类分割，数据来自ImageTBAD与TBD-CTA两个公开来源，按患者级划分为50/7/14例。方法以nnU-Net 3d_fullres为骨架，在128×128×128 patch、batch size 2、400 epoch、SGD加余弦退火的设置下训练，适用于需要在有限显存下处理各向异性3D CTA、并关注层间连续性与管状边界的场景。对希望复用该思路的研究者，BiM与GeoAttn可作为瓶颈增强模块接入其他U形3D网络；对临床或工程读者，其价值在于以接近nnU-Net的开销获得更高的重叠精度。
测试集仅14例，且HD95并非所有方法中最优（Attention U-Net为10.77 mm），因此边界精度的相对优势需在更大规模、更多中心的数据上进一步观察。本文把假腔血栓标注排除在独立类别之外，只做血管前景二分类，因此对血栓区域的区分能力尚不清楚。此外，论文未报告统计显著性检验或置信区间，跨来源泛化性、不同扫描协议下的稳定性，以及是否真正改善下游形态学量化或临床决策，仍是开放问题。