面向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。该研究针对多模态医学图像可变形配准中稠密解剖对应难以确定的问题，提出模态无关的结构表征学习方法，结合 Deep Neighbourhood Self-similarity（DNS）与解剖感知对比学习，学习具有判别性和图像对比度不变性的 deep structural image representations（DSIR）。方法不要求解剖结构标注或预先对齐的训练图像。 机制与对照：论文将现有方法的困难归纳为两类：统计相似性度量容易受局部变化噪声影响；传统局部结构表征在复杂解剖结构中判别性不足，可能造成跨模态对应歧义。所提方法通过邻域自相似与对比学习构建深度结构表征，目标是在不同成像对比度下保留可区分的解剖信息。摘要未提供 DNS 的具体计算方式、对比样本构造、损失函数及其与形变配准优化的衔接方式，这些细节尚未验证。 评估与结果：作者在多期相 CT、腹部 MR-CT 和脑部 MR T1w-T2w 配准任务上进行评估。作者报告，相较传统局部结构表征和统计相似性度量，该方法在判别性与配准准确性方面更优。摘要未给出具体数据集名称、样本量、划分方式、指标或数值，因而无法判断收益幅度及不同任务间的一致性；实验协议、消融及统计信息尚未验证。 适用边界：主要研究对象是医学图像的空间解剖配准，而非 EEG 表征学习或 BCI 解码。脑部 MR 配准实验也不构成 BCI 有效性的证据。当前材料不足以建立到 EEG 的具体机制对应关系，不据此提出迁移效果或复现实验建议。复现前需核对训练数据组织、配准框架、基线设置及实现可用性。