用于加速 MRI 的高频空间扩散模型

基于摘要分析。该研究针对加速 MRI 重建中的两类问题：全空间扩散可能给已充分采样的低频 k-space 区域引入不确定性，以及逆扩散迭代较多导致重建耗时。作者提出 HFS-SDE，将基于连续随机微分方程（SDE）的扩散过程限制于高频空间，以保持低频区域的确定性并加快逆扩散采样。 核心机制是利用 MR 采样结构区分已知低频信息与待重建高频信息，而非在整幅图像或全部 k-space 上实施扩散。其研究对象是 MR 图像重建，扩散模型充当求解逆问题的深度生成先验，并非 EEG 解码或 BCI 算法。具体 SDE 形式、训练目标、数据一致性实现及采样器设置尚未验证。 作者报告，在公开 fastMRI 数据集的实验中，HFS-SDE 的重建准确性与稳定性优于传统并行成像方法、监督深度学习及既有扩散模型，并通过理论与实验验证了快速收敛性质。摘要未提供加速倍率、采样掩码、数据划分、具体基线、评价指标或数值，因此不能判断优势幅度及不同协议下的可比性；实验协议、消融及统计信息尚未验证。作者说明已公开代码与权重，复现仍需核对配置和数据处理流程。 平台推测（待验证）：可借鉴的是在逆问题中保留可靠观测、仅对欠观测部分进行生成建模的思路，而非直接认定 EEG 高频成分适合扩散。若迁移至 EEG 通道缺失重建，需将 MRI 的高低频划分改造成基于观测通道的约束，并调整信号表示与生成先验；低信噪比、跨被试差异、通道布局变化及小数据训练均可能使该假设失效。一个可检验的小实验是在固定通道布局、按被试隔离的数据划分下模拟通道缺失，对比全信号扩散与保留观测通道的条件扩散，检查缺失通道重建误差、观测通道偏差及相同停止准则下的推理耗时。该迁移假设不属于原论文已验证结论，已有 EEG 相关工作尚未检索确认。