ST-NeRP：用于患者特异性影像研究的先验嵌入时空神经表示学习

基于摘要分析。该研究针对治疗期间及治疗后患者连续影像中的解剖变化建模问题，提出 ST-NeRP，通过先验嵌入与连续时空形变表示，刻画并预测患者特异性的解剖变化。主要研究对象是胸腹部序列 CT 影像，而非神经信号或 BCI 解码。 方法包含两个 Implicit Neural Representation（INR，隐式神经表示）网络：第一个将参考时点的影像编码为先验嵌入；第二个学习空间和时间上连续的形变函数，利用该患者的完整影像序列训练，并在目标时点输出形变场。其核心思路是将参考影像信息与随时间变化的形变建模结合，而不是仅分别表示各时点影像。具体网络结构、先验注入方式、损失函数及优化流程尚未验证。 作者报告，该方法在胸部及腹部的 4D CT 与纵向 CT 序列上展示了有效性，具有监测治疗过程中患者解剖变化的潜力。摘要未提供数据规模、划分、对照方法或定量指标，因而无法据此判断性能增益及适用范围；实验协议、消融及统计信息尚未验证。尤其需要核对目标时点是否参与训练，以区分序列内拟合、时间插值与对未观测未来时点的外推，不能将摘要中的“预测”直接理解为已验证的前瞻预测。 该方法依赖可建立空间对应关系的患者序列影像，其形变场机制与 EEG 时序解码之间尚无材料支持的直接对应关系，因此不据此提出 EEG/BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。