MYRA：用于低场 MRI 自监督学习的多域混合 MRI 表征架构

基于摘要分析。该研究面向超低场 MRI 信噪比低、标注数据有限的问题，提出 MYRA，通过联合学习图像空间与原始 k-space 的互补表征，支持少量监督下的图像重建与去噪。其主要研究对象是低场 MRI 图像恢复，并非 EEG 解码或 BCI 控制。 方法包含三个阶段：首先在图像域和 k-space 域分别进行掩码自编码器预训练；随后结合无需负样本的对比目标与物理信息驱动的 Fourier-bridge 一致性损失，实现跨域表征对齐；最后针对下游恢复任务进行微调。相较于主要在单一域中学习的方法，MYRA 的核心思路是利用图像空间与 k-space 固有的傅里叶关系，为表征学习提供物理约束。摘要未给出对齐目标和一致性损失的具体形式。 作者报告，在真实 47 mT 便携式脑 MRI 数据集的有限监督重建与去噪任务中，与下游任务域匹配的预训练能够改善性能，Fourier bridge 能够稳定跨域优化并支持少标注学习。摘要未提供定量指标、样本规模、数据划分、监督比例及具体对照方法，因此无法判断收益幅度或跨被试泛化能力；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究参考的是“利用已知变换关系约束多视图自监督表征”的思路，而不是直接移植 MRI 的 k-space 物理模型。假设将 EEG 时域与复数频域构造为配对视图，可探索复用双域预训练和一致性约束，但需改造信号编码、通道处理及任务微调；低信噪比、跨被试差异与小数据可能使模型优先保留伪迹或冗余变换信息，而非任务相关特征。一个可检验的小实验是在固定跨被试划分和标注预算下，对比单域预训练、双域预训练及加入变换一致性约束后的同一 EEG 解码任务表现。该迁移尚无本材料中的实验证据，已有 EEG 相关工作尚未检索确认。