以最少人工标注学习将二维超声图像映射到三维空间

基于摘要分析。该研究面向胎儿神经超声中二维脑部扫描切面在三维图谱空间内的定位问题，提出卷积神经网络，通过从三维胎儿脑体数据中采样二维切片、学习预测该采样过程的逆过程，减少对逐张二维图像人工标注的依赖；作者将这一训练思路描述为类似自监督学习。 模型以一组图像作为输入，学习图像之间的成对比较，并由注意力模块根据各比较对最终预测的贡献进行加权，权重在训练中隐式学习。每张图像的特征因此融合其与集合内其他图像的相对位置信息，再用于最终空间位置预测。摘要未说明具体位置参数化、损失函数及网络配置。 评估使用孕周为18–22周的胎儿脑三维体数据所采样的二维切片，以欧氏距离、平面角度和归一化互相关衡量几何与外观差异。作者报告，随着输入图像数量增加，模型在上述三项指标上均优于基线，改善幅度最高达23%；摘要未提供各指标对应数值、基线细节或该相对改善的具体计算口径。作者还报告，模型可泛化至真实二维标准经丘脑平面图像，表现与人工标注相当，并展示了对二维徒手胎儿脑超声视频序列的泛化。 该工作的核心是医学图像空间定位，而非 BCI 解码或 EEG 建模。其训练依赖可采样的三维体数据及相应空间关系，不能直接视为神经信号任务中的可复用监督来源；现有材料不足以建立具体的 EEG 迁移路径。被试数量、数据划分、人工标注比较协议、实验协议、消融及统计信息尚未验证；代码与复现条件也需查阅全文确认。