超分辨率 q-Space 深度学习

基于摘要分析。该研究面向扩散磁共振成像（dMRI）的组织微结构估计，解决 q-space 欠采样与低空间分辨率共同限制估计质量的问题。作者将 q-Space deep learning（q-DL）扩展为 super-resolved q-DL，通过深度网络直接把低分辨率扩散信号图像块映射为高分辨率组织微结构图像块，而非仅恢复高分辨率扩散图像。 方法包含两个联合训练的功能组件：第一部分通过 1³ 卷积计算每个体素扩散信号的稀疏表示，其网络结构由迭代优化过程展开构建；第二部分采用不同卷积核尺寸的卷积层，将低分辨率稀疏表示图像块转换为高分辨率组织微结构图像块。两部分权重共同学习，将逐体素信号表征与空间信息融合纳入端到端估计流程。摘要未说明具体优化目标、展开算法、损失函数或组织微结构参数类型，这些信息尚未验证。 作者报告，在减少扩散梯度数量且空间分辨率较低的脑 dMRI 数据上，该方法优于竞争方法。摘要未提供数据集名称、被试数量、训练与测试划分、低分辨率数据生成方式、对照方法名称或定量指标，因此尚不能判断优势幅度与泛化范围；实验协议、消融及统计信息尚未验证。复现时需核对低分辨率输入与高分辨率目标的配准和配对方式，以及稀疏表示与空间超分辨率模块各自的贡献。 该工作的主要对象是 dMRI 组织微结构估计，不是 EEG 解码或 BCI。摘要也未提供状态空间模型机制，不能仅依据来源栏目将其归为此类方法。现有材料不足以建立具体的 EEG/BCI 迁移路径，不据此提出迁移效果或复现实验建议。