用于并行成像重建的 Hankel-k-Space 单样本生成先验

基于摘要分析。本文研究加速 MRI 采集时，如何从有限数据学习生成先验并完成并行成像重建，提出 Hankel-k-space generative model（HKGM）。其核心贡献是利用单份 k-space 内部结构化补丁的统计信息学习生成模型，而非依赖大量独立训练样本。 在先验学习阶段，作者先将 k-space 数据构造成大型 Hankel 矩阵，再提取多个结构化 k-space 补丁，使生成模型在具有冗余和低秩结构的数据空间中学习补丁内部的分布。在迭代重建阶段，将中间重建结果输入生成模型更新，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类型、损失形式、采样方式及各更新步骤的实现。 作者报告，在所开展的重建实验中，单份 k-space 的补丁内部统计足以学习有效的生成模型，并获得其所称的领先重建效果。但摘要没有给出数据集、采集与欠采样协议、加速倍数、对照基线或数值指标，因此无法核实性能优势及适用范围；实验协议、消融及统计信息尚未验证。复现需进一步核对单份训练数据与目标重建数据的关系、Hankel 构造与补丁提取规则、线圈相关处理、低秩惩罚及迭代停止条件。 平台推测（待验证）：可迁移的假设是利用单段信号的结构化补丁学习内部先验，缓解 EEG 小数据条件下的重建或去噪困难；原方法依赖 k-space 的冗余、低秩结构和明确测量约束，这些条件不能直接视为 EEG 已具备。若探索迁移，可复用补丁先验学习思路，但需改造时序或通道 Hankel 表示及观测一致性算子；低信噪比、非平稳性和通道差异可能使模型学习噪声或抹除真实 ERP。一个可证伪的小实验是在独立留出的 EEG 片段上施加已知缺失掩码，比较低秩重建与加入单段生成先验后的恢复误差及 ERP 波形保真度。已有 EEG 相关工作尚未检索确认，此设想不构成 BCI 有效性证据。