面向加速扩散磁共振成像、可泛化至不同采样策略的基于注意力的 q-space 深度学习

基于摘要分析。该研究针对扩散磁共振成像（dMRI）定量参数重建依赖密集 q-space 采样、且传统深度学习重建常受固定采样策略限制的问题，提出 attention-based q-space deep learning（aqDL），旨在适配不同 q-space 采样策略下的欠采样数据。 核心机制是利用一系列 Transformer 编码器，将不同扫描策略获得的 dMRI 数据映射到共同特征空间，再通过多层感知机将潜在特征映射为 dMRI 参数。研究的主要对象是组织微结构参数的重建，而非 EEG 解码或 BCI 控制。摘要未说明采样方向及其他采集信息如何编码、变长输入如何处理，也未提供损失函数与训练策略，相关实现尚未验证。 评估使用 Human Connectome Project 数据集，考察不同欠采样数量，并在另外两个独立数据集上测试泛化能力。作者报告，在可变及预先固定的 q-space 扫描策略下，aqDL 在所考察的不同欠采样数量条件中均获得最高重建准确性；但摘要未列出具体指标、数值、对照方法、数据划分，以及两个独立数据集的名称和采集差异，因此无法判断优势幅度及适用边界，亦不能将不同协议下的表现直接比较。 作者认为该方法具有用于一般临床 dMRI 数据的潜力，这不等同于已经完成临床有效性验证。复现时需核对采样策略生成方式、训练与测试策略的重合情况、重建参数定义及独立数据集的适配流程；实验协议、消融及统计信息尚未验证。该材料未提供与 EEG/BCI 的具体机制对应关系，不据此推断其 BCI 有效性。