用于加速 MRI 的 k-space 深度学习

基于摘要分析。本文研究加速 MRI 中缺失 k-space 数据的恢复，提出完全数据驱动的深度学习插值方法。核心思路是利用卷积神经网络与基于数据驱动 framelet 基的 Hankel 矩阵分解之间的数学联系，将结构化低秩表示的启发用于 k-space 重建；研究对象是 MRI 重建，而非 BCI 解码。 机制与对照：ALOHA（annihilating filter-based low-rank Hankel matrix approach）通过低秩 Hankel 矩阵补全直接插值缺失的 k-space 数据，其依据是 k-space 域的结构化低秩性与图像域稀疏性之间的对偶关系。本文受这一表示机制及其与卷积神经网络的联系启发，提出在 k-space 域学习插值，而非仅在图像域开展深度学习重建。摘要未给出具体网络结构、损失函数、训练样本构造或复数数据处理方式，这些实现细节尚未验证。 适用范围与结果：作者提出，增加 regridding 层即可将网络扩展至非笛卡尔 k-space 轨迹。作者报告，在所开展的数值实验中，该方法持续优于已有图像域深度学习方法；摘要未提供数据集、采样轨迹、加速倍数、划分方式、对照模型名称或定量指标，因此不能据此判断优势幅度及不同采样条件下的稳定性。实验协议、消融及统计信息尚未验证。 阅读与复现重点是核对 Hankel 分解与网络实现的具体对应关系、非笛卡尔采样下 regridding 层的处理方式，以及各方法是否使用一致的采样和评价协议。材料未建立该机制与 EEG 或 BCI 任务的具体对应关系，不据此推导神经信号解码收益；相关 EEG 工作尚未检索确认。