DeformCL：面向三维医学图像血管提取的可变形中心线表示学习

基于摘要分析。本文研究三维医学图像中曲线状血管的提取与表示，提出基于可变形中心线的连续表示 DeformCL，旨在缓解逐像素分类形成的离散掩码可能出现局部断裂或散落片段的问题。 核心机制是将中心线点作为节点，以边连接节点并表达空间关系。作者认为，这种表示具有自然连通性、噪声鲁棒性和交互便利性，并设计级联式训练流程利用这些性质。摘要未披露级联各阶段的操作、中心线初始化与变形方式、损失函数，以及如何从中心线获得血管提取结果，相关实现细节尚未验证。 作者报告，在四个三维血管分割数据集上的实验支持方法的有效性与优势，并以曲面重建（curved planar reformation）图像的可视化支持其临床意义。摘要未给出数据集名称、数据划分、对照方法、评价指标或具体数值，因此尚不能判断优势的幅度及适用条件；可视化结果也不能替代临床结局验证。实验协议、消融及统计信息尚未验证。 摘要提供了代码仓库链接，但代码完整性、数据可获取性及复现条件尚未核验。本文的主要对象是三维血管几何结构，而非 EEG 解码或 BCI；现有材料未建立其中心线表示与神经信号任务之间的具体机制对应，不据此提出 BCI 迁移效果或复现实验建议。