直接从心脏 MRI 的 K-Space 进行分类、回归与分割

基于摘要分析。该研究关注心脏 MRI 中仅使用幅度 DICOM 图像可能忽略相位信息的问题，提出基于 Transformer 的 KMAE，直接处理同时包含幅度与相位的复数 k-space 数据，用于心脏疾病分类、相关表型回归和心脏形态分割，省去常规的中间图像域转换步骤。 核心研究对象是心脏 MRI，而非神经信号或 BCI。其方法价值在于将诊断及形态分析任务直接建立在采集数据域上，探索复数信息是否能支持下游预测。摘要明确了 Transformer 架构方向，但未说明复数数据编码方式、具体训练目标、是否采用掩码建模，以及分割输出如何与空间位置对应，这些实现细节尚未验证；不能仅凭 KMAE 名称推断其训练机制。 作者报告，在所研究的心脏 MRI 任务中，KMAE 的分类与回归表现可与图像域方法（例如 Masked Autoencoders，MAEs）竞争，并取得心肌 Dice 为 0.884 的分割结果；但摘要未提供数据集、样本规模、数据划分或相应基线数值，因此无法核对该指标的评估背景或量化方法间差异。作者还报告在 k-space 为 8× 欠采样时仍有稳健且一致的表现，具体采样模式、训练与测试条件及各任务的性能变化尚未验证。 摘要提供了代码仓库，可作为复现入口，但数据可用性、依赖环境、实验协议、消融及统计信息尚未验证。阅读全文时可重点核对相位信息的独立贡献、与图像域对照的输入和训练条件，以及欠采样结果的适用范围。本材料未建立心脏 MRI k-space 与 EEG/BCI 之间的具体机制对应关系，因此不据此提出迁移效果或复现实验建议。