Точная сегментация опухолей молочной железы на динамической контрастно-усиленной МРТ (DCE-MRI) критична для диагностики и планирования лечения. Сложная морфология опухолей, разнообразные пространственные структуры и нечёткие границы остаются проблемой для существующих методов. Сверточные нейронные сети ограничены в моделировании дальних зависимостей, Transformer'ы требуют избыточных вычислительных ресурсов, а Mamba-подходы страдают от направленного смещения и недостаточно улавливают трёхмерные структурные вариации.

Исследователи предложили Boundary-Aware Geometric Mamba Network (BAGMNet) — архитектуру для трёхмерной сегментации опухолей молочной железы, объединяющую геометрическое моделирование, многонаправленное распространение пространства состояний и уточнение признаков с учётом границ. Geometric Mamba Encoder создаёт комплементарные пространственные представления через множественные геометрические трансформации. Multi-directional Selective State Space модуль улучшает моделирование трёхмерных зависимостей и снижает направленное смещение обычного Mamba-сканирования. Модули Gated State-space Fusion и Adaptive Skip Recalibration интегрируют локальные структурные детали с глобальным контекстом и усиливают представления границ при распространении признаков.

В экспериментах на датасетах ISPY1 и Yunnan breast MRI BAGMNet достигла Dice 70,34% и 79,14% со средним расстоянием до поверхности 9,79 мм и 8,96 мм соответственно. По сравнению с репрезентативными методами на основе свёрточных сетей, Transformer'ов и Mamba, BAGMNet продемонстрировала конкурентную производительность как в точности региональной сегментации, так и в локализации границ опухолей.