SPIRiT-Diffusion：用于加速 MRI 的自一致性驱动扩散模型

基于摘要分析。该研究针对加速 MRI 重建中图像域扩散方法易受线圈敏感度图（CSMs）误差影响的问题，提出 SPIRiT-Diffusion，将 SPIRiT 的 k-space 自一致性物理先验引入扩散过程，实现 k-space 插值。其主要研究对象是 MRI 图像重建，而非 EEG 解码或 BCI 算法。 核心机制是利用 SPIRiT 自一致性项的迭代求解器，构造支配扩散过程的随机微分方程（SDE），再通过执行该扩散过程插值 k-space 数据。与主要在图像域定义的扩散重建方法相比，该方法尝试让扩散动力学贴合优化模型中的物理约束；作者将这一思路称为 model-driven diffusion。摘要未给出 SDE 的具体形式、训练目标、噪声调度或推理流程，尚不能判断自一致性约束与学习先验的具体结合方式，也不能据此认定方法完全不依赖 CSMs。 作者报告，在一个 3D 颅内与颈动脉血管壁联合成像数据集上，该方法优于图像域重建方法，并在加速率为 10 的条件下仍取得较高重建质量。摘要未提供定量指标、对照方法名称、样本规模、数据划分或采样协议，因此这一结果仅能按作者的定性结论理解，不能扩展为其他解剖部位或采样条件下的普遍优势。 复现时需核对 SPIRiT 算子的校准方式、欠采样模式、训练与测试划分、CSMs 误差的评估设置，以及重建质量与推理成本。实验协议、消融及统计信息尚未验证。当前材料没有提供与 EEG/BCI 的具体机制对应关系，不据此生成迁移效果或复现实验建议。