用于快速多模态 MRI 重建的深度 k-Space 分区卷积网络

基于摘要分析。该研究针对多模态 MRI 采集缓慢及高欠采样重建中的混叠伪影，提出 k-Space Partition-based Convolutional Network（kSPCN），利用全采样参考模态的多尺度信息，引导欠采样待重建模态逐子区域重建。 核心机制：已有方法使用全采样参考模态（RM）辅助卷积神经网络从欠采样 k-space 数据重建待重建模态（QM），但高欠采样条件下仍存在混叠伪影。本文将 RM 与 QM 的 k-space 同步划分为若干尺寸逐渐增大的子区域，以形成多尺度引导信息，再由 kSPCN 利用对应分区数据逐区域完成 QM 重建。摘要未交代分区边界、子区域间的信息传递方式、网络结构、损失函数及数据一致性约束，相关实现尚未验证。 结果与证据：作者报告，在不同待重建模态和加速倍率的实验中，kSPCN 持续优于所比较的先进方法，并能在最高 12 倍欠采样条件下忠实保留解剖结构。摘要未提供对应数据集、样本量、采样模式、训练与测试划分、基线名称或定量指标，因此不能判断效果幅度，也不能将这一结果外推到任意 MRI 采集协议。实验协议、消融及统计信息尚未验证。 适用边界与复现条件：方法依赖全采样 RM 及其与欠采样 QM 的对应关系，复现时需核对跨模态配准、采样掩码、分区规则，以及参考模态采集成本是否计入整体加速收益。原研究对象是多模态 MRI 图像重建，并非 EEG 解码或 BCI 算法；摘要没有提供直接的 BCI 机制对应或验证证据，因此不据此提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。