从 Hankel-k-space 学习单样本生成先验用于并行成像重建

基于摘要分析。该研究面向 MRI 采集耗时及有限数据下的并行成像重建问题，提出 Hankel-k-space generative model（HKGM），尝试仅用一份 k-space 数据学习生成先验。其主要贡献是利用单份数据内部结构化图块的统计信息，而非依赖大量独立训练样本。 在先验学习阶段，方法先将 k-space 数据构造成大型 Hankel 矩阵，再从中提取多个结构化 k-space 图块，使生成模型在具有冗余与低秩结构的数据空间中学习图块间的内部统计分布。在迭代重建阶段，将中间重建结果输入生成模型进行更新，再交替施加 Hankel 矩阵低秩惩罚与测量数据一致性约束。摘要未说明生成模型的具体形式、训练目标、低秩惩罚实现及迭代参数。 作者报告，单份 k-space 数据中的图块内部统计足以支持生成模型学习，并声称取得当时领先的重建表现；但所给材料未提供数据集、采样模式、加速倍数、评估指标或对照基线，因此无法核对优势的幅度与适用范围。单份训练数据与待重建数据的关系、训练和评估划分、实验协议、消融及统计信息尚未验证。 该工作的主要研究对象是 MRI 逆问题，并非 EEG 解码或 BCI。平台推测（待验证）：其结构化图块先验与数据一致性结合的思路，可能为具有可验证 Hankel 低秩结构的 EEG 缺失片段或通道重建提供参考；假设前提是局部信号具有足够重复结构。生成先验和交替约束框架可作为候选模块，但需重新设计 EEG 的矩阵构造、观测算子与一致性约束。低信噪比、非平稳性、通道布局差异和跨被试变化可能使内部统计失效；图块数量多也不等于独立信息充足。可先在完整 EEG 记录中人为遮蔽片段，以独立留出片段评估，并与插值及单独低秩重建比较，检验生成先验是否提供额外收益。相关 EEG 工作尚未检索确认。