利用深度神经网络学习医学成像逆问题的个性化表示

基于摘要分析。本文针对医学成像中配对训练数据难以大量获取的问题，提出仅利用患者自身既有影像、无需预先准备训练样本对的个性化表示学习框架。主要研究对象是医学影像重建与去噪，而非 EEG 解码或 BCI。 方法以患者既有影像作为深度神经网络输入，用网络表达个性化图像表示；随后将医学成像逆问题表述为约束优化问题，并采用交替方向乘子法（ADMM）求解。摘要未说明网络结构、具体目标函数、约束形式及网络参数与图像变量的更新过程，这些细节尚未验证。“无需预先准备训练样本对”不等于无需患者先验影像，也不意味着无需网络优化。 作者以解剖信息引导的脑正电子发射断层成像（PET）重建和图像去噪为应用示例。作者报告，基于仿真与真实数据的定量评估，该框架优于其他广泛采用的方法；但摘要未提供具体数据集、样本规模、评估指标、对照方法及差异数值，无法据此判断优势幅度或跨场景稳健性。实验协议、消融及统计信息尚未验证。 复现需核对患者先验影像的获取与配准条件、观测模型、网络优化流程和 ADMM 设置，以及不同先验影像质量下的表现。该摘要未建立其方法与 EEG/BCI 任务的具体对应关系，不能将脑 PET 应用直接视为 BCI 有效性证据。