融合上下文聚类与视觉状态空间模型的医学图像分割

基于摘要分析。本文研究医学图像分割中长程与短程特征交互的协同建模，提出 context clustering ViM（CCViM），在现有 ViM 中引入上下文聚类模块，以增强空间上下文表征；研究对象是医学图像分割，而非 EEG 解码或 BCI。 作者认为，现有 ViM 虽能以线性复杂度处理长程特征交互，但直接展平空间 token 的方式容易忽视短程局部依赖，固定扫描模式也限制了动态空间上下文的捕获。CCViM 将图像 token 划分到不同窗口中进行自适应局部聚类，旨在结合长程建模与局部交互。摘要未披露聚类规则、窗口构建方式、与状态空间模块的具体连接、损失函数或训练配置，这些实现细节尚未验证；ViM 的复杂度描述也不能直接视为 CCViM 整体开销的实测结论。 作者报告，在 Kumar、CPM17、ISIC17、ISIC18 和 Synapse 公共数据集上的医学图像分割评估中，CCViM 优于所比较的当前先进方法。摘要未提供具体指标、数值、数据划分和基线配置，因此无法判断优势幅度或比较条件。实验协议、消融及统计信息尚未验证。摘要给出了代码仓库，但代码完整性与复现条件尚未核验。 平台推测（待验证）：若将其用于具有明确电极空间拓扑的 EEG 表征，局部聚类与长程建模的组合可能对应局部通道关系和远距离依赖的协同建模。该假设不等于已验证的 EEG 效果：原方法依赖图像空间 token 与分割任务，迁移时需重构通道位置编码、窗口及任务输出，并核对原方法的监督需求。低信噪比、跨被试差异、通道布局变化及小数据可能使聚类不稳定。可在固定跨被试划分下，对比原始 ViM 与仅加入该模块的版本，控制参数量并考察通道扰动下的表现。相关 EEG 工作尚未检索确认。