NeighborNet：面向乳腺病灶分割的图像内与跨图像像素邻居表征学习

基于摘要分析。本文研究乳腺超声图像中的病灶分割，提出 NeighborNet，通过学习图像内与跨图像的像素邻居表征，自适应整合局部和全局上下文，以处理病灶边界模糊及形态不规则问题。 作者认为，既有 CNN 与注意力组合方法分别提取局部、全局特征，再进行较固定的融合，难以充分处理两类特征之间的语义差异；同时，仅在单幅图像内建模的全局信息未充分利用医学图像间的语义关系与共性。NeighborNet 从邻居视角设计两个 neighbor layers，分别考察邻居的数量与分布：每个像素的邻居数量并非固定，而是由其自身决定；邻居分布则从单幅图像扩展至数据集中的图像。作者将这一机制描述为可在不同特征层级自适应呈现 transformer 式或 CNN 式上下文建模能力，但具体计算形式、邻居选择方式、训练目标及推理流程尚未验证。 作者报告，该方法在三个超声数据集上取得其所称的最先进性能；摘要未提供数据集名称、划分方式、对照方法、指标或数值，因此无法判断优势幅度及统计可靠性。复现时需核对跨图像邻居的构建范围、训练与测试阶段的使用方式、计算开销，以及邻居数量和分布各自的贡献；实验协议、消融及统计信息尚未验证。 该研究的直接贡献属于乳腺超声图像分割，而非 EEG 解码或 BCI 验证。摘要未建立像素邻居机制与神经信号任务之间的具体对应关系，现有材料不足以提出可靠的 BCI 迁移方案；相关 EEG 工作尚未检索确认。