SkinFormer：利用 Transformer 学习统计纹理表征以进行皮肤病灶分割

基于摘要分析。该研究面向皮肤镜图像中的皮肤病灶分割，提出 SkinFormer，以显式统计纹理表征补充 CNN 学习的局部结构信息，并通过 Transformer 融合和增强纹理特征；其主要研究对象是医学图像分割，而非 EEG 或 BCI。 核心机制是 Kurtosis-guided Statistical Counting Operator（峰度引导的统计计数算子），用于量化输入特征的统计纹理。在此基础上，Statistical Texture Fusion Transformer 利用全局注意力融合结构纹理与统计纹理，Statistical Texture Enhance Transformer 则增强多尺度特征中的统计纹理。摘要未提供统计计数的具体计算方式、网络配置、损失函数及训练细节，尚不能判断各模块的独立贡献。 作者报告在三个公开皮肤病灶数据集上进行了实验，并称优于所比较的方法；其中在 ISIC 2018 上取得 93.2% Dice。摘要未说明该数值对应的数据划分、评估聚合方式及具体对照，因此不能脱离原协议比较。其余数据集名称、实验协议、消融及统计信息尚未验证。作者将扩展至 3D 图像分割列为未来方向，并非已验证结果。 平台推测（待验证）：若将 EEG 时频图作为二维输入，统计纹理与局部结构的融合可作为待检验假设，但依赖输入保留可比较的时频结构及相应任务标签。可考虑复用统计特征量化与融合思路，需改造输入编码和输出任务头；低信噪比、伪迹对峰度的影响、跨被试分布变化及小数据过拟合都可能使该思路失效。一个可证伪的小实验是在固定跨被试划分和相同训练条件下，对比基础时频模型与加入统计纹理模块的模型，并核对伪迹敏感性。相关 EEG 工作尚未检索确认，此建议不代表已证实的迁移效果。