SA-CycleGAN-2.5D：基于自注意力循环GAN的三视图上下文多站点 MRI 调谐

多站点神经影像分析受制于扫描器诱导的协变量漂移，体素强度的边际分布 $P(\mathbf{x})$ 随获取协议非线性变化，而解剖的条件分布 $P(\mathbf{y}|\mathbf{x})$ 保持不变。这对放射组学可重复性尤为有害，因获取变异常常超过生物病理变异。现有统计调谋方法（如 ComBat） operate 在特征空间，阻碍空间下游任务；而标准深度学习方法受限于局部有效感受野（ERF），无法建模全场强度相关性。我们提出 SA-CycleGAN-2.5D，基于 Ben-David 等人的 $H\Delta H$-divergence 界的框架，集成三项架构创新：（1）2.5D 三视图流水线注入，保持 through-plane 梯度 $\nabla_z$ 于 $O(HW)$ 复杂度；（2）U-ResNet 生成器采用稠密体素到体素自注意力，超越 CNN 的 $O(\sqrt{L})$ 感受野限制，建模全局扫描场偏置；（3）谱规范判别器约束 Lipschitz 常数（$K_D \le 1$），实现稳定对抗优化。在 654 名脑腺瘤患者（BraTS 与 UPenn-GBM 两个机构数据集）上评估，本方法将最大均值偏差（MMD）降低 99.1%（$1.729 \to 0.015$），域分类器准确率降至接近随机水平（59.7%）。消融实验确认，全局注意力在较难的异质到同质转换方向上至关重要（Cohen's $d = 1.32$，$p < 0.001$）。通过桥接 2D 效率与 3D 一致性，本框架生成保留肿瘤病理学的体素级调谏图像，实现可重复的多中心放射组学分析。