Uni-Encoder 与 Multi-Encoders 的结合：面向模态缺失脑肿瘤分割的先表征后融合方法

基于摘要分析。研究针对多模态 MRI 中部分模态缺失导致脑肿瘤分割性能下降的问题，提出 UniME（Uni-Encoder Meets Multi-Encoders），通过两阶段异构架构将表征学习与分割解耦，兼顾统一全局表征和模态特异的精细结构。这是一项医学影像分割研究，并非直接研究 EEG 或 BCI 解码。 第一阶段使用掩码图像建模预训练单个 ViT Uni-Encoder，目标是建立对模态缺失具有鲁棒性的统一表征；第二阶段加入模态特异的 CNN Multi-Encoders，提取高分辨率、多尺度细粒度特征，再与全局表征融合完成分割。其方法重点是统一编码器与模态专用编码器的分工，而非仅在输入层组合可用模态。具体掩码策略、损失函数、融合算子及两阶段参数更新方式尚未验证。 作者报告，在 BraTS 2023 和 BraTS 2024 的不完整多模态场景下，UniME 优于此前方法。摘要未提供具体缺失模态组合、数据划分、对照方法、评价指标或数值，因此目前不能判断优势幅度及不同缺失条件下的稳定性；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、预训练权重和复现配置尚未核验。 平台推测（待验证）：可迁移的假设是，将共享表征预训练与模态专用特征提取分开，可能有助于处理多模态神经信号中的传感模态缺失。该路径依赖能够建立跨模态对应关系的训练数据，且需将图像掩码与空间 CNN 改造成适合时间序列、采样率差异和通道布局的模块；MRI 中的效果不能直接外推至 EEG。低信噪比、跨被试差异和小数据可能使共享表征或专用编码器过拟合。可在固定跨被试划分和预设模态缺失条件下，对比共享编码器、模态专用编码器及两阶段组合，并控制训练数据量与模型规模，检验组合是否确有增益。相关 EEG 工作尚未检索确认。