用于可变形多模态医学图像配准的模态无关结构图像表征学习

基于摘要分析。本文研究不同医学成像模态之间的稠密解剖对应问题，提出模态无关结构表征学习方法，旨在减少图像对比度差异带来的匹配歧义，为可变形多模态医学图像配准提供更具判别性的结构表征。 方法结合 Deep Neighbourhood Self-similarity（DNS，深度邻域自相似性）与解剖感知对比学习，学习 deep structural image representations（DSIR，深度结构图像表征）。作者强调，该方法不需要解剖结构标注或预先对齐的训练图像，目标是在保持解剖结构区分能力的同时，使表征对成像对比度变化保持不变。摘要未提供网络结构、对比样本构造、损失函数形式，以及表征与形变优化过程的具体结合方式。 评估覆盖多期相 CT、腹部 MR-CT 和脑部 MR T1w-T2w 配准。作者报告，相较于传统局部结构表征及基于统计的相似性度量，该方法在判别能力和配准准确性方面更优；摘要未给出数据集名称、样本规模、数据划分、具体基线、指标或数值，因此无法判断收益幅度及不同任务间的一致性。实验协议、消融及统计信息尚未验证。 本文主要对象是医学图像配准，而非 EEG 解码或 BCI。其机制依赖图像中的局部邻域与解剖空间结构，不能直接等同于跨被试神经信号表征学习；现有材料不足以支持具体 EEG/BCI 迁移方案或有效性结论，相关工作尚未检索确认。复现前需核对 DNS 定义、对比学习监督来源、训练与测试划分，以及配准评价和形变合理性检查方式；代码与数据可用性尚未验证。