解码白质纤维取向分布函数：x-q 空间中的混合学习框架

基于摘要分析。该研究面向扩散磁共振成像（dMRI）中的白质纤维取向分布函数（fODFs）估计，提出联合学习空间位置与扩散采样方向信息的混合学习框架，旨在降低对 q 空间密集采样的依赖。其主要研究对象是白质三维几何结构的影像重建，而非 EEG 解码或 BCI 控制。 方法针对两个问题展开：fODFs 估计对密集 q 空间采样的需求，以及 x-q 空间信息的联合利用。框架以 q 空间稀疏采样的 dMRI 为输入，采用基于 3D U-Net 的 x 空间学习模块提取空间特征，以基于球面卷积神经网络的 q 空间学习模块提取方向域特征，再通过混合学习融合模块整合两类特征，输出 fODFs。整体使用 x-q 空间损失函数监督；具体损失形式、融合运算和监督目标的构建方式尚未验证。 作者报告，在三个公开数据集上的实验显示，该框架能够有效估计 fODFs，且优于所比较的前沿模型。摘要未给出数据集名称、采样配置、数据划分、评价指标、性能数值及基线名称，因此目前无法核对优势幅度及其适用条件。实验协议、消融及统计信息尚未验证，代码与完整复现条件也需查阅全文确认。 该方法的明确机制依赖 dMRI 的空间结构与 q 空间球面方向结构，不能直接等同于神经电生理信号建模。现有材料未建立其与 EEG/BCI 瓶颈的具体对应关系，故不据此提出 BCI 迁移效果或复现实验建议。