CoDG-Net：通过结构引导的风格扩散与协同学习缓解医学图像域泛化中的灾难性遗忘
基于摘要分析。该研究关注医学图像分割域泛化中的灾难性遗忘：模型在追求跨域鲁棒性时，可能损害对源域知识的保持。作者提出结构引导的风格扩散增强与协同学习网络 CoDG-Net，旨在同时改善目标域分割表现和源域知识保持。 增强方法以频域中的解剖结构一致性为约束，对幅度谱进行跨域扩散，生成风格覆盖更广、更多样的样本。CoDG-Net 采用双分支交互架构，并引入学习偏差引导策略，在层级与任务级自适应调节知识迁移。摘要未说明结构约束、扩散过程及学习偏差的具体定义，相关损失、训练流程和推理方式尚未验证。 作者报告，在单源与多源医学图像域泛化基准上的实验和消融中，CoDG-Net 的目标域分割表现优于所比较的现有先进方法，同时源域数据的遗忘率更低。摘要未提供数据集名称、划分、指标定义、数值及基线细节，无法判断收益幅度或直接比较不同协议；实验协议、消融及统计信息尚未验证。作者提供了代码链接，但代码完整性、配置与复现条件尚未核验。这些结果不能直接视为临床安全性验证。 平台推测（待验证）：其可迁移假设是，在 EEG 域泛化中扩大频谱风格覆盖，同时约束任务相关结构并调节知识迁移，可能缓解跨被试或跨会话泛化与源域保持之间的冲突。可借鉴频域增强及协同学习思路，但医学图像的解剖结构约束需改造为 EEG 的时频与通道关系约束；幅度谱本身可能携带任务信息，增强也可能破坏有效信号，低信噪比、通道差异和小数据会增加失败风险。可在固定跨被试划分下，以同一基线比较无增强、仅频域增强及加入协同学习，分别评估未见被试表现与源被试保留表现。已有相关 EEG 工作尚未检索确认。
阅读价值：值得核对其源域知识保持与目标域泛化的联合评估，以及频域增强和协同学习各自对遗忘率的贡献；摘要所述优势尚需全文中的实验协议与统计结果验证。