用于无参考扫描 EPI 鬼影校正的 k-space 深度学习

基于摘要分析。该研究针对 MRI 回波平面成像（EPI）中由偶数与奇数回波相位失配产生的 Nyquist 鬼影，提出无需参考扫描的 k-space 深度学习校正方法，同时支持加速与非加速 EPI 采集。主要研究对象是 MRI 重建与伪影校正，而非 EEG 解码或 BCI 算法。 核心机制：摘要指出，鬼影校正可重表述为 k-space 插值问题，并借助结构化低秩 Hankel 矩阵方法求解；数据驱动的 Hankel 矩阵分解又可对应于深度卷积神经网络结构。该方法结合这两条思路，将偶数与奇数相位编码的 k-space 数据拆分为两个输入通道，并把多线圈数据堆叠为额外输入通道，以利用回波方向与线圈之间的冗余。网络学习插值核，估计缺失的虚拟 k-space 数据；对于加速采集，则学习同时补偿鬼影与欠采样造成的数据缺失。具体网络结构、损失函数、监督目标及训练流程尚未验证。 结果与证据边界：作者报告，在 3T 与 7T 活体数据重建中，所提方法相较现有方法获得更好的图像质量，计算也更快，并认为其可在不改变现有采集协议的条件下用于高场 MRI。摘要未给出被试数量、数据划分、加速因子、对照方法名称、定量图像指标或运行时间，因此无法判断优势幅度与适用范围；实验协议、消融及统计信息尚未验证。 复现时需核对参考目标的构建方式、复数 k-space 的表示、线圈配置、训练与测试数据的独立性，以及不同场强和采集条件下的泛化能力。其机制依赖 MRI 特有的回波编码与多线圈采样结构，不能据此推断 EEG 或 BCI 有效性；摘要也未提供足以支持相关迁移实验的具体对应关系。