LDM-Morph：潜在扩散模型引导的可变形图像配准

基于摘要分析。该研究面向医学图像的无监督可变形配准，提出 LDM-Morph，通过引入潜在扩散模型（LDM）特征及像素—潜在特征分层相似性度量，改善解剖结构匹配与形变拓扑保持；其主要研究对象是医学图像配准，而非 EEG 解码或 BCI。 作者指出，已有 CNN 或 Transformer 配准框架所学习的特征可能缺乏语义信息，而仅在像素空间计算相似性，难以充分约束高层解剖特征的匹配，并可能产生形变折叠。LDM-Morph 利用 LDM 提取的特征补充语义信息，设计 latent and global feature-based cross-attention（LGCA）模块，使这些特征与多头自注意力获得的全局信息交互；同时，在原始像素空间和潜在特征空间评价图像对的相似性。摘要未说明具体损失公式、特征提取层级、LDM 的训练来源及是否冻结其参数，这些实现条件尚未验证。 作者报告，在四个公开的二维心脏图像数据集上，LDM-Morph 的配准精度与拓扑保持优于所比较的 CNN 和 Transformer 配准方法，且计算效率相近。摘要未提供数据集名称、数据划分、具体基线、评价指标或数值，因此不能量化优势，也不能判断不同数据集上的稳定性；实验协议、消融及统计信息尚未验证。 摘要提供了公开代码地址，但代码可用性、预训练权重、预处理要求及运行依赖尚未核验。复现时应重点核对语义特征与分层度量各自的贡献，以及拓扑保持和计算效率的评价口径。材料未提供神经信号实验或具体 BCI 对应机制，不能将心脏图像配准结果视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。