CoBooM：用于医学图像表征学习的码本引导自举

基于摘要分析。该研究面向医学图像自监督表征学习，试图解决现有方法未充分利用图像间高度解剖相似性、难以稳定捕获多样语义内容的问题。作者提出 CoBooM，通过引入码本并结合连续与离散表征，兼顾细粒度解剖细节与粗粒度视觉特征。 核心机制是将码本作为紧凑的视觉模式字典，隐式利用医学图像中的解剖相似性。按摘要描述，连续表征负责保留细粒度细节，离散表征则借助结构化嵌入空间提取粗粒度特征。摘要未交代码本构建与更新方式、连续和离散表征的具体耦合机制，以及自举训练目标，不能仅凭标题推断损失形式或训练架构。 作者报告，在涵盖胸部 X-rays 与眼底图像的多种医学数据上，CoBooM 在分类和分割任务中取得显著性能提升；但摘要未给出具体数据集名称、划分、对照方法、指标或数值，因此尚不能判断提升幅度及统计意义。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中存在可跨样本复用的局部时频模式，连续表征保留细节、离散码本组织共享模式的思路可能用于检验 EEG 自监督学习的表征瓶颈，但医学图像中的解剖相似性并不等同于 EEG 的跨被试稳定性。可考虑复用连续—离散表征组合，需将输入编码与码本单元改造成适配时间、频率及通道结构的形式；低信噪比、被试差异、通道布局变化和小数据可能使码本编码伪迹或个体特征。一个可证伪的小实验是在固定 EEG 数据划分、编码器及训练预算下，对比加入码本与仅用连续表征的方案，核对 Cross-subject 下游表现是否稳定改善。已有 EEG 相关工作尚未检索确认。