利用深度自适应感知生成对抗网络实现欠采样 k-space 数据的 MRI 压缩感知重建

基于摘要分析。本文针对欠采样 k-space 数据的 MRI 重建问题，提出深度自适应感知生成对抗网络 DAPGAN，旨在缓解高欠采样条件下重建困难及现有方法泛化能力受限的问题，恢复具有可靠精细解剖结构的 MR 图像。 方法的核心是感知特征引导（PFG）机制：在多层特征重建过程中采用自适应误差校正，提取各层有助于突出解剖结构的特征；模型同时以双域方式利用信息。摘要未说明双域的具体实现、感知特征来源、损失函数及训练流程，这些细节尚未验证。 作者报告，在心脏数据集、Cartesian sampling、CS ratio 为 10% 的评估条件下，DAPGAN 的平均 SSIM 为 0.93，竞争方法的平均 SSIM 为 0.81；作者同时报告其定量与定性表现优于所比较的基线。上述结果仅适用于摘要给出的协议背景，不能据此推断跨数据集泛化或临床可靠性。数据集名称、样本规模、训练测试划分、基线配置、消融及统计信息尚未验证；CS ratio 的具体定义也需查阅正文。 该研究的主要对象是 MRI 图像重建，而非 EEG 解码或 BCI。复现时应重点核对 PFG 的误差校正过程、双域信息交互、采样设置，以及解剖细节评价是否支持其结构保真主张。现有材料不足以建立到 EEG/BCI 的具体迁移路径，相关工作尚未检索确认。