基于无配对数据的深度 MR 到 CT 合成解耦表征学习

基于摘要分析。本文研究如何在不依赖同一患者配准 MR–CT 训练图像对的条件下，由 MR 图像生成合成 CT（sCT），核心方法是将跨模态共享的解剖几何与模态特异外观解耦，以支持无配对图像合成。 方法将图像嵌入两个空间：模态不变的几何空间用于捕获不同成像域共有的解剖信息，模态特异的外观空间用于表示各成像模态的外观特征。生成 sCT 时，模型组合 MR 图像编码得到的几何特征与从 CT 外观空间采样的外观向量。针对皮质骨与空气在 MR 图像中均呈低强度、难以区分的问题，作者提出 Geometry Similarity Module（GSM），引入上下文信息辅助辨别；摘要未说明该模块的具体计算方式、训练损失或约束形式。 作者报告，该方法在其 MR 到 CT 合成实验中取得优于或相当于当时先进方法的结果，但摘要未提供数据集、样本数量、数据划分、评价指标、具体数值或对照方法名称，因此尚不能判断性能提升的幅度与适用范围。实验协议、消融及统计信息尚未验证，复现还需核对网络实现、训练配置与数据预处理要求。 该研究的直接对象是医学图像跨模态合成，而非 EEG 解码或 BCI。现有材料未建立其几何—外观分解与 EEG 信号结构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。