DIPathMamba：用于病理图像分割的域增量弱监督状态空间模型

基于摘要分析，当前材料仅包含 Highlights，未取得论文全文。该研究针对病理图像分割中像素级标注需求较高、静态模型难以适应多域数据的问题，提出域增量弱监督状态空间模型 DIPathMamba；作者称该方法仅使用图像级标签开展多域病理图像分割。 方法包含三个主要设计：Contrastive Mamba Block 用于探索病理图像的双粒度特征；Domain Parameter Constraint Model 用于共享信息并约束参数；CIDSL 用于利用有限标签并指导各域的参数学习。材料未解释双粒度特征的具体定义、对比学习目标、参数约束形式或 CIDSL 的完整名称，因此尚不能确认各模块的训练与推理细节。 材料未提供数据集、域的定义与到达顺序、标注预算、训练测试划分、对照基线或定量结果。分割性能、增量阶段的旧域性能保持、实验协议、消融及统计信息尚未验证；代码、权重和复现所需配置也尚未验证。 原论文的主要研究对象是病理图像，而非 EEG 或 BCI。现有材料不足以建立其图像级弱监督分割机制与神经信号任务之间的具体对应关系，不能据此推断 BCI 有效性；相关 EEG 工作尚未检索确认。