MRI k-space 运动伪影增强：模型鲁棒性与任务特异性不确定性

该研究针对患者运动导致 MRI 伪影、进而影响自动图像分析的问题，提出从无伪影图像合成运动伪影的数据增强方法，用于提升语义分割 CNN 的鲁棒性，并考察任务相关不确定性是否能够反映伪影影响。基于摘要分析，未取得论文全文。 方法将患者运动建模为一系列随机生成、经去均值处理的刚性三维仿射变换，对无伪影三维图像进行重采样，再在 k-space 中组合这些结果以生成运动伪影。其核心是利用 MRI 成像域中的伪影生成机制增加训练图像的外观变化，而非仅对最终图像进行一般几何扰动；具体运动采样分布、k-space 组合规则及采集时序假设尚未验证。 作者报告，在语义分割 CNN 训练中加入合成伪影数据，可改善模型在含伪影数据上的泛化与可靠性，同时对无伪影数据的性能影响很小。作者还报告，在真实世界重复扫描图像对的分割评估中，采用该增强训练的模型表现更稳健。摘要未提供具体数据集、样本规模、划分方式、对照配置及指标数值，无法据此判断改善幅度或跨场景适用性。 作者报告，运动增强模型给出的不确定性度量能够反映伪影的存在，可为临床使用深度学习提取的生物标志物提供相关信息；这不等同于已经验证临床安全性。不确定性估计方法、校准表现、实验协议、消融及统计信息尚未验证。研究主体是 MRI 图像分割，并非 EEG 解码或 BCI 方法；摘要不足以支持直接推断其对 EEG/BCI 的效果。