面向可变形多模态医学图像配准的模态无关结构图像表征学习

该研究针对不同成像模态之间稠密解剖对应关系难以确定的问题，提出模态无关结构表征学习方法，将 Deep Neighbourhood Self-similarity（DNS）与解剖感知对比学习结合，学习具有判别性和对比度不变性的深层结构图像表征（DSIR），用于可变形多模态医学图像配准。基于摘要分析，未取得论文全文。 机制与贡献：论文指出，基于统计的相似性度量容易受局部变化噪声影响，而传统局部结构表征在复杂解剖结构中判别性不足，可能造成跨模态对应关系歧义。所提方法以结构表征学习缓解这一问题，训练不需要解剖结构标注或预对齐图像。摘要未说明 DNS 的具体构造、对比学习样本组织、损失形式及表征与配准优化的衔接方式，这些细节尚未验证。 评估与证据：作者在多期 CT、腹部 MR-CT 及脑部 MR T1w-T2w 配准任务上进行评估，并报告其方法在判别性和配准准确性方面优于传统局部结构表征及基于统计的相似性度量。摘要未提供具体数据集名称、样本规模、划分方式、指标数值或各对照方法，因而尚不能量化提升幅度；实验协议、消融及统计信息尚未验证。 适用边界：研究对象是医学图像的跨模态解剖配准，并非 EEG 表征学习或 BCI 解码。脑部 MR 配准实验不能直接作为 BCI 有效性的证据；现有摘要也不足以支持具体 EEG 迁移方案。复现需进一步核对图像预处理、训练采样、配准流程及实现开放情况。