PISCO：用于改进动态 MRI 神经隐式 k 空间表示的自监督 k 空间正则化

基于摘要分析。该研究针对动态 MRI 中神经隐式 k 空间表示（NIK）在缩短采集时间、可用训练数据减少时容易过拟合的问题，提出自监督 k 空间损失 L_PISCO，以正则化 NIK 重建。其主要研究对象是 MRI 图像重建，而非 EEG 解码或 BCI。 核心机制是受并行成像启发的自一致性（parallel imaging-inspired self-consistency，PISCO）：通过约束全局一致的 k 空间邻域关系，在不引入额外数据的情况下提供正则化。摘要未给出该邻域关系的数学形式、采样方式、损失权重及训练流程，因此尚不能判断其具体实现成本与适用边界。 作者报告，在静态和动态 MRI 重建的定量及定性评估中，加入 PISCO 可改善 NIK 表示；特别是在高加速因子 R≥54 的评估条件下，作者报告其时空重建质量优于所比较的先进方法。摘要未列出数据集、样本规模、采样轨迹、训练与测试划分、对照方法名称或具体指标，故该结果仅能按所述重建场景理解，不能外推至其他采集协议。作者还报告分析了损失假设及稳定性，但实验协议、消融及统计信息尚未验证。 摘要提供了代码仓库，可作为后续核对实现与复现条件的入口，但代码内容、数据可得性及运行环境尚未验证。该约束依赖 MRI k 空间邻域与并行成像结构，材料未建立其与 EEG/BCI 的具体机制对应关系，因此不据此推断 BCI 有效性，也不提出直接迁移方案。