用于 k-space 插值重建的扫描特异性鲁棒人工神经网络（RAKI）

基于摘要分析。该研究针对加速 MRI 采集中缺失 k-space 线的重建问题，提出扫描特异性的 Robust artificial-neural-networks for k-space interpolation（RAKI），仅利用当前扫描的自校准信号（ACS）数据训练卷积神经网络，无需外部训练数据库。 核心机制是从已采集的 k-space 数据非线性估计缺失线，以区别于 GRAPPA 等基于线性卷积核的插值方法。摘要明确说明，网络包含 3 层卷积算子，其中 2 层包含非线性激活函数；训练以 ACS 区域的目标点为监督，采用均方误差损失和梯度下降。其主要方法差异是将扫描内校准与非线性插值结合，而非依赖大规模跨扫描预训练。 作者报告，在体模成像中，加速率≥4 时，RAKI 的视觉重建质量及定量表现优于 GRAPPA；在定量心脏成像中，相对 GRAPPA 的噪声鲁棒性改善在加速率 4 和 5 下分别为 23% 和 48%。摘要未给出该改善指标的具体定义，不能将其改写为信噪比或重建误差的对应变化。作者还报告，高分辨率脑成像在高加速率下呈现类似的噪声鲁棒性改善趋势，但未提供具体数值。 该方法依赖当前扫描中可用于监督训练的 ACS 数据，并由作者描述为兼容常规数据采集协议。体模、神经及心脏在体数据的具体规模、采样方案、ACS 范围、训练耗时、完整误差指标、消融及统计信息尚未验证。原论文的研究对象是 MRI 重建，不是 EEG 解码或 BCI；现有摘要不足以建立面向 EEG 的具体迁移路径，因此不据此提出 BCI 效果或复现实验建议。