用于并行 MRI 重建的 Hankel 子空间自监督学习

基于摘要分析。本文研究欠采样条件下并行 MRI 重建的病态逆问题，提出扫描特定的 Hankel Subspace Self-Supervised Reconstruction（HSSRecon），利用多线圈观测与重叠局部 k-space 窗口中的重复信息学习子空间结构，再在原始 k-space 上恢复未采集数据。 核心机制：作者指出，若直接划分提升后的 Hankel 条目，同一原始采样点可能同时出现在输入与目标中，造成自监督数据泄漏风险。HSSRecon 在 Hankel 提升前按物理采集单元划分数据，并对重叠窗口产生的重复副本进行重数归一化。网络学习紧凑的复值 Hankel 子空间算子，而非直接预测缺失数据；重建则通过带硬数据一致性约束的共轭梯度求解器，在原始 k-space 变量上进行。其关键设计是将 Hankel 域的结构学习与物理域的数据一致性求解分离。 理论与结果：作者报告对物理分组划分和重数归一化进行了理论分析，并建立了系统的正定性、解的唯一性、硬数据一致性及有限步共轭梯度误差界，具体假设和适用条件尚未验证。在 fastMRI brain 数据上，评估涉及三种对比度、三种采样掩码及六个汇总条件；作者报告 PSNR、SSIM 和 NMSE 具有竞争力，但摘要未提供具体数值、基线、加速因子或汇总方式，不能据此判定优于哪些方法。 复现核对重点包括物理采集单元的定义、输入与监督目标的划分方式、重数归一化公式、子空间算子的参数化、扫描特定训练流程，以及共轭梯度的停止条件与计算成本。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖多线圈 k-space 及其 Hankel 结构，并非直接面向 EEG 或 BCI；是否能迁移到 EEG 时序结构学习取决于对应的子空间假设与观测约束，不能将 MRI 重建结果视为 EEG 解码证据。相关 EEG 工作尚未检索确认。