用于扫描特异性 MRI 重建的无监督自适应隐式神经表示学习

基于摘要分析。本文研究欠采样 MRI 的扫描特异性重建，针对依赖大量全采样训练数据的成本，以及无监督重建中监督不足导致的过拟合问题，提出自适应、由粗到细的隐式神经表示学习框架。其核心贡献是逐步调整已采集 k-space 信号的自监督使用方式，以适应不同频带间不均衡的信息分布。 方法以隐式神经表示学习多维坐标到对应信号强度的映射，并在优化过程中逐步细化 k-space 监督信号的使用比例。作者认为，这种频带层面的自适应监督有助于缓解过拟合并改善重建，而不是单纯依靠增加全采样训练数据。摘要未说明坐标编码、网络结构、损失形式，以及频带划分和监督比例的具体更新规则，这些实现条件尚未验证。 作者报告，在包含 2D 与 3D 数据的一个公开数据集上，该方法在最高 8 倍欠采样的评估中优于所比较的现有扫描特异性 MRI 重建方法。摘要未提供数据集名称、样本规模、欠采样模式、评价指标及具体增益，因此不能判断优势在不同采样协议下的稳定性，也不能将最高欠采样倍率视为适用于任意采样模式的保证。实验协议、消融及统计信息尚未验证。 本文的主要对象是 MRI 图像重建，并非 EEG 解码或 BCI 控制；摘要也未涉及 fMRI 时序分析。其直接研究价值在于考察单次扫描数据内部的频域监督调度机制，不能据此推断已获得 EEG 或 BCI 效果。