CoRLD：图像中可变形形状的对比表征学习

基于摘要分析。CoRLD 面向医学图像中的可变形形状表征，旨在缓解既有方法测试时依赖已知模板、难以区分相似形状细粒度差异的问题。其核心贡献是在学习得到的潜在形变空间中引入类别感知的监督对比学习，并使推理不再需要参考图像输入。 方法以相对于模板的形变描述形状，在潜在形变空间中拉近同类表征、分离不同类别表征。根据摘要，模板图像仅在训练期间作为损失函数中的真值使用，而非测试时的输入。具体形变参数化、模板构建方式、损失组成与权重、网络结构及训练流程尚未验证。 作者报告，在真实脑 MRI 数据及由 CT 扫描获得的肾上腺形状数据上，CoRLD 能提取可与现有分类器结合的形变特征，并提高分类 Accuracy。摘要未提供数据集名称、样本量、划分协议、分类器与对照配置或具体数值，因此尚不能判断增益幅度及其适用范围。摘要提到健康个体、轻度认知障碍与疾病状态之间的解剖差异作为细粒度辨别的例子，不能据此确定实际分类任务或实验分组。 该研究的主要对象是医学图像形状分析，并非 EEG 解码或 BCI 算法验证；结构性脑 MRI 结果也不等同于脑功能信号研究。现有材料不足以建立向 EEG 的具体机制对应，不据此提出迁移有效性结论。作者称代码已在 GitHub 提供，但材料未给出仓库链接，代码可用性、复现条件、消融及统计信息尚未验证。