神经解剖学引导的结构脑 MRI 自监督学习

基于摘要分析。该研究面向结构脑 MRI 表征学习，提出 neuro-anatomy-informed self-supervised learning（NAI-SSL），通过半球间结构一致性和跨样本脑区协方差，将神经解剖学先验引入自监督学习，旨在学习超越单个样本一致性的群体结构关系。 核心机制是利用解剖相关脑区在不同样本中的协同变化构建结构感知自监督任务。作者认为，常见的对比对齐或重建目标主要约束单样本层面的通用特征，未能充分捕获跨个体的生物学结构关系；NAI-SSL 则将跨样本协方差统计作为学习信号。摘要未给出脑区定义、协方差估计方式、具体损失、网络结构，以及该任务如何与其他训练目标组合。 作者报告，该方法在所评估的下游神经影像任务中持续改善表征质量，且所得表征更能反映脑组织结构。摘要未列出数据集、样本量、任务名称、划分方式、对照基线或指标数值，因此无法判断改善幅度及适用范围。材料称补充材料包含额外分析和实验，但本次未取得；实验协议、消融及统计信息尚未验证。 该工作的主要对象是结构脑 MRI，而非 EEG 解码或 BCI。平台推测（待验证）：若 EEG 数据具有可比较的脑区映射，且跨样本协方差能够稳定估计，可探索将结构关系约束用于 EEG 自监督表征；这不等同于直接复用 MRI 的半球一致性假设。需改造信号分区、时频特征与协方差估计模块，并警惕低信噪比、通道布局差异、小样本和真实功能侧化造成先验失配。一个可检验的小实验是在固定跨被试划分与编码器的条件下，比较基础自监督目标、加入脑区关系约束及打乱脑区对应关系的对照，检验收益是否依赖解剖对应。已有相关 EEG 工作尚未检索确认。