HyperGCN-Vessel：用于拓扑保持血管分割的混合几何表示学习

基于摘要分析。该研究针对三维血管分割中体素级精度与血管连通性不一致的问题，提出 HyperGCN-Vessel，将欧氏空间的局部特征提取与双曲空间的层级表示学习结合，以减少细小及远端血管的预测断裂。其主要研究对象是医学影像中的血管树，并非 EEG 解码或 BCI。 作者将血管断裂问题归因于常规欧氏特征表示与血管树层级组织之间的不匹配，并提出三个组件：早期混合几何编码器逐步将血管表示嵌入 Poincaré ball；Topo-Gate 作为不确定性感知的可微拓扑保持模块，在不显式骨架化的情况下恢复断开的血管分支；HyperConv 在切空间执行卷积，作者称其具有线性复杂度，旨在支持高分辨率三维体数据上的可扩展、数值稳定的双曲特征学习。具体损失形式、不确定性估计方法及模块交互方式尚未验证。 作者报告，在 TubeTK 数据集实验中，相较 nnU-Net，HyperGCN-Vessel 的 β₀ Betti 数误差降低 65%，同时保持有竞争力的分割精度，推理效率与常规欧氏架构相当。β₀ 对应连通分量数量，该结果反映特定拓扑误差的改善，不能等同于 Dice 提升或全部拓扑性质得到保持。摘要未提供具体 Dice、运行时间、数据划分及误差定义，实验协议、消融及统计信息尚未验证。 复现时需核对双曲空间映射与数值稳定实现、Topo-Gate 的训练监督、β₀ 误差计算方式，以及 nnU-Net 对照和效率测试的匹配条件。材料未提供明确的 EEG/BCI 机制对应关系，因此不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。