近日，计算机科学与工程学院周涛教授团队的论文“MambaYOLACT: You Only Look At Mamba prediction Head for head-neck lymph nodes”被期刊《Artificial Intelligence Review》(SCI影响因子：10.7，JCR分区Q1，在“Computer Science: Artificial intelligence”学科197个期刊中排名第9)在线发表(https://doi.org/10.1007/s10462-025-11177-y)。该研究成果以北方民族大学为第一完成单位，得到了国家自然科学基金、宁夏自然科学基金的资助。

图1 头-颈部淋巴结区域示意图

淋巴结具有增殖、过滤、免疫等作用，是人体重要的免疫组织。人的正常淋巴结表面柔软、光滑，其直径大约为0.5cm，并未和周围组织粘连。根据AAO-HNS及AJCC指南，以颈部临床治疗和影像学检査的特点为参考标准，共将颈部淋巴结分成七个区：颏下区和颌下区、颈深上淋巴结群、颈内静脉中三分之一处，是颈深中淋巴结群、颈内静脉下１/３周围的深下淋巴结群、颈横淋巴结群及脊副淋巴结群、颈前淋巴结群和上纵隔淋巴结，具体如图1所示。在MRI影像中，淋巴结的形态和边界特征是评估淋巴结是否被感染的重要特征。形态特征，正常淋巴结是椭圆形，而转移性淋巴结倾向于圆形。这可能与癌细胞浸润开始于皮质，改变了淋巴结的结构有关。淋巴结的形态常用短径/长径评估。通常正常淋巴结的S/L<0.5，当S/L≥0.5时，应警惕转移性淋巴结的可能。在头颈部淋巴结的诊断中，现有的成像技术如MRI经常因淋巴结尺寸差异大、图像对比度低而难以准确分割。影响了医生的治疗决策和手术效果的评估。我们团队设计了MambaYOLACT实例分割模型，有效克服了这些难题。该模型采用了两项创新技术来提升模型性能，即跨视野、跨方向的特征增强模块(CCFE)和基于MambaNet的预测头。模型结构如图2所示：

图2 MambaYOLACT网络结构

创新一：在头颈部淋巴的MRI医学影像中，病灶形态特征不明显，这导致淋巴的方向特征、尺寸特征提取不充分。我们设计了跨视野、跨方向的特征增强模块(CCFE)，探讨了如何使用跨视野的卷积操作来解决淋巴的尺寸问题，使用跨方向的池化操作来提高对淋巴方向的敏感程度。如图3所示：

图3跨视野、跨方向的特征增强模块

创新二：单阶段实例分割方法在区分图像中的病灶和背景信息时面临挑战。我们设计了基于MambaNet的预测头，探讨了MambaNet如何通过状态空间模型（SSM）和自注意力机制相结合来突出病灶区域。其中，MambaNet模块如图4所示。

MambaYOLACT模型在APdet、APseg、ARdet、ARseg、mAPdet和mAPseg等多个指标上分别达到了69.8%、70.9%、56.8%、58.8%、39.4%和41.0%，明显优于当前其它实例分割模型，展示了其在头颈部转移性淋巴结检测与分割中的有效性。图5是该模型在头颈部淋巴结实例分割实验可视化结果。

 

图4 MambaNet模块

图5 头颈部淋巴结实例分割实验可视化结果

通讯作者简介：柴文文，1997.10生，宁夏固原人，计算机科学与工程学院计算机技术专业2023级研究生，目前主要从事智能医学影像图像处理，计算机辅助诊断方面等方面的研究。