基于 2.5D 无条件流先验的零样本脑 MRI 图像修复

基于摘要分析。该研究针对脑 MRI 病灶区域的健康组织合成，试图缓解完整 3D 方法计算开销高、逐切片 2D 方法切片间不连续，以及条件模型需要针对掩码输入训练的问题。作者提出以相邻轴向切片三元组学习 2.5D 无条件流先验，并在推理阶段通过 Restora-Flow 引入输入掩码约束，实现零样本图像修复；这里的零样本指无需针对修复任务进行条件训练，并非模型未经训练。 核心机制：训练时，flow matching 模型学习相邻轴向切片三元组的联合分布，以捕获上—下方向的空间上下文，并将病理区域明确排除在损失计算之外。推理时，模型沿深度轴自回归处理切片三元组，由 Restora-Flow 将无条件先验与输入掩码约束结合。最终生成多次随机重建并取平均，形成预测结果。其方法特点是用局部跨切片建模替代完整 3D 卷积，同时将先验学习与任务约束分开。 结果：作者报告，该策略相较 2D 基线改善了结构不连续问题，并在轴向、矢状和冠状平面保持体积一致性。在官方 BraTS 2026 Inpainting Challenge 验证集上，作者报告 SSIM 为 0.816 ± 0.112、MSE 为 0.007 ± 0.005、PSNR 为 22.923 ± 4.343。摘要未说明这些离散量的统计定义、指标计算区域及强度归一化方式，因此不能据此与其他评估协议直接比较。 复现与局限：摘要提供了代码仓库。训练数据构成、被试数与划分、病理区域排除的具体实现、Restora-Flow 配置、随机重建次数、计算资源，以及实验协议、消融及统计信息尚未验证。需重点核对 2.5D 建模、深度自回归和重建平均各自的贡献，以及局部三切片上下文是否足以保持长距离解剖一致性。该工作面向结构性脑 MRI 修复，不是已验证的 EEG 或 BCI 方法；摘要也未提供下游配准、脑提取或分割收益的定量证据。