用于快速病理预测的磁共振 k-space 自适应采样

基于摘要分析。该研究针对 MR 扫描耗时限制疾病筛查可及性的问题，提出 Adaptive Sampling for MR（ASMR），学习自适应策略，顺序选择面向目标疾病检测的 k-space 样本。主要贡献是以病理分类而非高保真图像重建作为采样优化目标，探索仅使用少量傅里叶空间测量直接预测疾病的路径。 机制与对照：传统加速 MR 方法通常先对欠采样 k-space 进行图像重建；本研究沿用直接从稀疏 k-space 测量检测疾病的思路，并引入自适应、顺序式采样策略。摘要未交代策略如何利用已采集测量、具体训练目标、分类器结构或采样约束，这些机制细节尚未验证。研究对象是膝部、脑部及前列腺 MR 的病理分类，不是 EEG 解码或 BCI 算法。 结果：作者报告，在覆盖上述三类 MR 扫描的 8 项病理分类任务中，ASMR 在其中 6 项任务上仅使用 8% 的 k-space，即达到与全采样分类器性能相差不超过原文所述 2% 的水平。摘要未明确性能指标，也未说明该差异指相对百分比还是百分点，因此不能将其改写为 Accuracy 差异。作者还报告优于 EMRT、LOUPE 和 DPS 等 k-space 采样方法，但未提供各基线的具体分数及比较条件。 验证边界：数据集名称、样本规模、患者级划分、采样预算的计量方式、实验协议、消融及统计信息尚未验证。复现需核对采样策略与 MR 采集约束是否兼容，以及分类性能接近全采样是否对应实际扫描时间缩短。摘要结果不能直接证明临床部署有效，也不能据脑部 MR 任务推断 BCI 有效性；现有材料不足以提出具体 EEG 迁移机制或复现实验。