CoBooM：码本引导的自举式医学图像表征学习

基于摘要分析。该研究针对医学图像解剖结构高度相似、现有自监督方法难以稳定捕获多样语义内容的问题，提出 CoBooM，通过码本结合连续与离散表征，学习医学图像特征。其主要研究对象是胸部 X 光与眼底图像，而非 EEG 或 BCI。 机制上，码本被用作紧凑的视觉模式字典，以隐式利用图像间的解剖相似性；连续表征用于保留细粒度细节，离散表征通过结构化嵌入空间提取粗粒度特征。摘要未交代码本构建与更新方式、连续和离散分量的耦合机制、自举目标及训练细节，尚不能据此还原实现。 作者报告，在涵盖胸部 X 光与眼底图像的医学数据集上，CoBooM 在分类和分割任务中取得显著性能提升。摘要未提供数据集名称、数据划分、对照方法、指标数值或统计检验信息，因此无法核对提升幅度及其适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中存在可跨样本复用的局部时频模式，码本与连续表征的结合或可用于探索粗粒度模式与细节的互补学习，但这一假设依赖 EEG 的时序结构、通道布局及可用无标注数据规模，不能从医学图像结果直接推出。可复用的是连续—离散表征结合的思路，需改造输入编码与增强方式；低信噪比、跨被试差异、通道不一致或小数据可能使码本主要编码伪迹或个体特征。一个可检验的小实验是在固定 EEG 编码器、数据划分及训练预算下，对照加入码本前后的跨被试分类表现，并检查码本是否主要关联被试身份。已有 EEG 相关工作尚未检索确认。