CoRLD：图像中可变形形状的对比表征学习

基于摘要分析。CoRLD 研究医学图像中的可变形形状表征，针对既有方法测试时依赖已知模板、难以区分相似形状的细粒度体素差异这两个问题，在学习到的形变空间中引入类别感知的有监督对比学习，并用于图像分类。研究对象包括脑部 MRI 和 CT 提取的肾上腺形状，并非 EEG 解码或 BCI 算法。 核心机制是在潜在形变空间中拉近同类表征、分离异类表征。与需要输入参考图像来预测形变的方法不同，CoRLD 仅在训练阶段的损失函数中将模板图像作为监督真值，推理时不再依赖参考图像输入。摘要未提供具体损失公式、模板构建方式及网络结构，这些实现细节尚未验证。 作者报告，在真实脑部 MRI 及 CT 来源的肾上腺形状数据上，所提取的形变特征可以与现有分类器结合，提高分类 Accuracy。摘要未提供数据集名称、样本规模、划分方式、对照基线或具体增益，因此无法据此判断提升幅度及跨数据泛化能力；实验协议、消融及统计信息尚未验证。作者称代码已在 GitHub 提供，但当前材料未给出仓库地址，复现条件仍需核对。 该方法的直接价值在于医学图像形状分析。摘要尚未建立形变表征与 EEG 时序或 BCI 任务之间的具体机制对应关系，不据此推断 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。