用于皮层表面分割的参数空间 CNN

基于摘要分析。本文研究人类大脑皮层表面的分割问题，提出结合视图聚合的二维参数空间方法 p3CNN，将皮层表面分割置于二维参数空间框架中处理。其主要研究对象是皮层表面神经影像数据，而非 EEG 解码或 BCI 控制任务。 方法背景：球面坐标系常用于分析人类皮层神经影像；曲率、折叠模式、功能激活及髓鞘化估计等表面信号可以定义相关皮层区域。作者认为，现有 spherical CNN 等表面深度学习方法主要侧重分类，其分割准确性仍不够理想，因此引入二维参数空间表示与视图聚合。摘要未说明参数化映射、视图生成及聚合方式，也未交代网络结构、损失函数或训练与推理流程，上述细节尚未验证。 结果与证据边界：作者报告，在其皮层分割评估中，p3CNN 优于所比较的 spherical CNN，平均 Dice 相似性分数超过 0.9。摘要未提供数据集、被试数量、数据划分、基线具体配置及精确提升幅度，因此该结果仅能限定于作者所述评估，不能据此判断跨被试或跨数据集泛化能力；实验协议、消融及统计信息尚未验证。 复现需进一步核对表面输入、参数空间构造、视图聚合实现和 Dice 计算口径。材料未提供该机制与 EEG/BCI 瓶颈的具体对应关系，不据此生成 BCI 迁移效果或复现实验建议。