语言参与的双空间对齐用于低剂量 CT 去噪

基于摘要分析。该研究针对低剂量 CT 去噪中的过度平滑、模糊和可解释性不足，提出可插拔的 Language-Engaged Dual-space Alignment（LEDA）损失，借助 LLM 在连续感知空间和离散语义空间对齐去噪 CT 与正常剂量 CT。主要研究对象是医学影像去噪，而非 EEG 或 BCI。 方法分为两步：先预训练 LLM 引导的 CT 自编码器，将 CT 图像编码为连续高层特征，并量化为源于 LLM 词表的语义 token；再利用该自编码器，最小化去噪图像与正常剂量图像在高层特征及量化 token 嵌入上的差异。其可复用点是对现有去噪模型增加双空间对齐约束，而非仅提出一个独立去噪网络。摘要未提供自编码器训练目标、量化实现、损失权重及 LLM 的具体使用方式，这些细节尚未验证。 作者报告，在两个公开 LDCT 去噪数据集上，LEDA 能改善已有模型的定量指标和定性表现，并通过语言级图像理解提供可解释性。摘要未给出数据集名称、划分、基线、指标名称及具体数值；实验协议、消融及统计信息尚未验证。作者提供了代码地址，但代码可运行性与复现条件尚未核验。 平台推测（待验证）：若 EEG 去噪具备适当的干净参考信号和任务相关语义监督，可假设连续特征与离散表示的联合约束有助于保留任务信息；但需重建适用于 EEG 时序与通道结构的编码器和 token 表示，不能直接沿用 CT 语义。低信噪比、跨被试差异及小数据可能导致离散化丢失弱神经活动，或将噪声映射为语义。可在固定 EEG 去噪模型与被试划分下，对照基础损失、连续对齐及双空间对齐，同时检验信号保真度与下游任务表现，以证伪该假设。已有 EEG 相关工作尚未检索确认。