基于隐式神经表示的连续纵向胎儿脑图谱构建

基于摘要分析。该研究针对按离散时间点独立平均脑图像所构建的胎儿脑图谱存在时间不一致的问题，提出多阶段深度学习框架，将其建模为四维图像数据去噪任务，并利用隐式神经表示构建随空间位置与年龄连续变化的纵向图谱。 核心机制是将三维脑体积与一维年龄共同组成四维时空坐标，以该坐标的函数表示图谱，而非仅保留相互独立的离散年龄模板。研究动机是：不同时间点样本的发育趋势存在差异，可能使图谱沿时间轴产生不一致，进而影响脑发育特征参数的估计。摘要将目标图谱描述为连续且无噪声，但未提供噪声定义、具体网络结构、多阶段训练流程或损失函数，尚不能判断去噪约束如何兼顾时间平滑与真实发育变化。 作者报告，在两个公开胎儿脑图谱 CRL 和 FBA-Chinese 上，该方法能够显著改善图谱的时间一致性，同时保持良好的胎儿脑结构表征；作者还指出，连续表示可用于生成空间与时间分辨率更细的四维图谱。摘要未给出具体指标、改善幅度、比较基线或统计检验，因此“显著改善”的评估依据仍待全文核实，更细的采样分辨率也不能直接等同于新增真实解剖信息。 样本构成、年龄覆盖、训练与评估划分、实验协议、消融及统计信息尚未验证。本文主要研究对象是胎儿脑发育图谱构建，并非 EEG 解码或 BCI；现有材料未建立其与 BCI 任务之间的具体机制对应关系，不据此推断 BCI 效果。