用于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

基于摘要分析。本文研究不同成像模态之间的密集解剖对应问题，提出模态无关的结构表征学习方法，用于可变形多模态医学图像配准。核心贡献是结合 Deep Neighbourhood Self-similarity（DNS，深度邻域自相似）与解剖感知对比学习，在无需解剖结构标注或预对齐训练图像的条件下，学习具有辨别力且对成像对比度变化保持不变的深度结构图像表征（DSIR）。 作者将现有方法的困难归纳为：基于统计的相似性度量容易受局部变化噪声影响，而局部结构表征面对复杂解剖结构时辨别力不足，可能造成跨模态解剖对应的歧义。所提方法试图同时保留解剖结构信息、降低模态间成像对比度差异的干扰；但 DNS 的具体计算、对比学习的样本构造与损失形式，以及 DSIR 如何接入配准优化，摘要均未说明，尚需全文核对。 作者报告，在多期 CT、腹部 MR-CT 和脑部 MR T1w-T2w 配准评估中，该方法的辨别力与配准准确性优于传统局部结构表征及基于统计的相似性度量。摘要未提供数据集名称、样本规模、划分协议、具体基线与数值指标，因而不能量化其优势或判断跨数据集泛化能力；实验协议、消融及统计信息尚未验证。 本研究的主要对象是医学图像配准，并非 EEG 解码或 BCI 算法。其方法依赖图像空间中的局部结构与解剖对应关系，不能直接将跨模态配准结果解释为跨被试 EEG 表征对齐的有效性；已有 EEG 相关工作尚未检索确认。