医学图像局部判别表征的无监督学习

基于摘要分析。该研究针对医学图像中病灶亚型识别、解剖结构细分等任务所需的局部判别表征，提出将局部判别引入无监督表征学习，以降低对大量标注的依赖，并弥补以整幅图像全局特征区分样本的方法对局部分析的不足。 方法包含两个同时训练、相互促进的分支：嵌入分支学习嵌入函数，将不相似像素分散到低维超球面上；聚类分支学习聚类函数，将相似像素归入同一簇。其核心思路是让局部特征空间的相似性与像素聚类相互支持，获得可用于衡量局部图像区域相似性的表征。具体损失形式、分支间的信息交互及训练流程尚未验证。 作者报告，所学表征能够增强多种下游任务，并可在模拟结构或拓扑特征相近结构所提供的拓扑先验指导下，对无标注医学图像中的解剖结构进行聚类。摘要中的验证对象为视网膜图像和胸部 X-ray 图像，但未提供具体数据集、样本规模、划分协议、对照基线或量化指标，因此尚不能判断增益幅度、泛化能力及拓扑先验的独立贡献；实验协议、消融及统计信息尚未验证。 该工作的主要研究对象是医学图像局部表征与解剖结构聚类，而非 EEG 或 BCI。其像素邻域与解剖拓扑假设不能直接等同于神经信号的通道或时间结构；当前材料不足以支持具体的 BCI 迁移结论，已有 EEG 相关工作亦尚未检索确认。复现需进一步取得正文，核对局部相似性的构造方式、聚类设置、拓扑先验来源及下游评估协议。