重建框架

已发表框架利用对侧半球估计目标半球。它不是仅把侧化理解为简单的左右相减，而是学习跨半球的非线性映射，并量化重建无法解释的部分。

已发表方法的概念流程

1. 将 T1 加权结构像预处理为 MNI152 1.5 mm 的 *_GM_masked.nii.gz 灰质图，详见输入与预处理。
2. 将灰质图分割/裁剪为左右半球输入。
3. 训练方向特定的 context-encoder 风格 DGN：
4. 左到右重建；
5. 右到左重建。
6. 将训练好的模型应用于保留受试者。
7. 比较重建目标半球与实际目标半球。
8. 根据实际–重建差异计算 ANS 和 RNS。

该框架源自 Wang 等人（2024），完整文献见引用。

HemiSpec 运行流程

HemiSpec 分发训练好的生成器检查点并运行两个重建方向。对于每张预处理全脑 GM 输入，软件裁剪源半球、预测目标半球、把预测结果放回全脑网格，然后计算方向特定的 ANS/RNS 图，最后把目标侧结果合并为双侧左右半球图。

方法边界

• 已发表贡献：跨半球 DGN 构建与 ANS/RNS 框架。
• HemiSpec 贡献：可操作的预处理文档、模型发现/下载、可复用推理代码、双侧导出、ROI 汇总、可选验证和用户界面。
• 具体研究责任：采集与站点协调、预处理质控、排除标准、混杂控制、统计分析和外部验证。