M-CSAFN：用于鲜红斑痣自动分割的多颜色空间自适应融合网络

基于摘要分析。该研究面向临床图像中的鲜红斑痣（port-wine stains，PWS）自动分割，提出多颜色空间自适应融合网络 M-CSAFN，以应对病灶颜色异质性、低对比度及病灶与周围组织外观难以区分的问题。研究对象是皮肤病灶图像，而非脑信号或 BCI 任务。 方法包含三个主要设计：基于六种典型颜色空间构建多分支检测模型，利用颜色与纹理信息增强病灶和周围组织的差异；通过自适应融合整合互补预测，处理病灶内部由颜色异质性造成的差异；引入包含颜色信息的结构相似性损失，度量预测病灶与真实标注之间的细节误差。摘要未提供具体颜色空间名称、融合权重生成方式及损失函数公式，相关实现尚未验证。 作者建立了包含 1413 对图像的 PWS 临床数据集，用于算法开发与评估。作者报告，在该自建数据集上，与其他先进方法比较时，M-CSAFN 的 Dice 为 92.29%，Jaccard 为 86.14%；摘要未说明训练与测试划分、患者级隔离方式及具体对照方法，因此这些数值只能在其尚待核对的原始评估协议下理解。作者还在 ISIC 2016、ISIC 2017、ISIC 2018 和 PH2 四个公开皮肤病灶数据集上开展比较，并报告结果支持方法的可靠性与潜在适用性，但未提供各数据集的具体指标。 实验协议、消融及统计信息尚未验证，数据和代码的公开情况也尚未验证。该方法的明确机制依赖皮肤图像的多颜色空间表征，现有材料未建立其与 EEG 瓶颈的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。