Uni-Encoder 与 Multi-Encoders 相结合：面向模态缺失脑肿瘤分割的先表征后融合

基于摘要分析。本文研究多模态 MRI 缺失部分模态时的脑肿瘤分割，提出两阶段异构方法 UniME（UniEncoder Meets Multi-Encoders），通过先学习统一表征、再融合模态特定特征，兼顾跨模态信息与精细结构。研究对象是医学影像分割，不是 EEG 解码或 BCI 验证。 第一阶段使用掩码图像建模预训练单个 ViT Uni-Encoder，旨在建立对模态缺失稳健的统一表征。第二阶段引入模态特定的 CNN Multi-Encoders，提取高分辨率、多尺度、细粒度特征，再与全局表征融合以生成分割结果。核心设计是将表征学习与分割分阶段组织；各阶段是否冻结参数、具体预训练目标及融合算子尚未验证。 作者报告，在 BraTS 2023 和 BraTS 2024 的不完整多模态场景下，UniME 优于此前方法。摘要未提供具体指标、数值、缺失模态组合、数据划分或基线配置，因此尚不能判断提升幅度及不同缺失条件下的稳定性。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性、预训练权重与复现条件尚未核验。 平台推测（待验证）：其“缺失输入下的统一表征＋输入特定局部特征”机制可能启发 EEG 缺失通道研究，但 MRI 模态不等同于 EEG 通道，需要改造输入编码、掩码策略及局部特征提取模块。低信噪比、跨被试差异与小数据可能使统一表征学习失效。可在固定跨被试划分和相同通道缺失协议下，对照统一编码器、通道特定编码器及两阶段融合方案，检验收益是否来自互补表征。该迁移尚无本文证据支持，已有相关 EEG 工作尚未检索确认。