直接基于心脏 MRI k-space 的分类、回归与分割

基于摘要分析。本研究针对心脏磁共振成像（CMR）诊断通常依赖仅含幅度信息的 DICOM 图像、未利用相位信息的问题，提出直接处理 k-space 的 Transformer 模型 KMAE，用于心脏疾病分类、相关表型回归及心脏形态分割，探索无需先转换到图像域的自动诊断路径。 核心机制是以包含幅度与相位信息的复数 k-space 作为模型处理对象，而非以重建后的幅度图像作为输入。摘要明确 KMAE 基于 Transformer，但未说明复数数据编码、输入组织方式、任务输出结构、损失函数及训练流程；不能仅凭模型名称认定其采用特定的掩码建模或自监督训练机制。 作者报告，KMAE 的分类与回归表现可与图像域方法（如 Masked Autoencoders，MAEs）竞争，但摘要未给出相应指标或具体分数。作者报告心肌分割 Dice 为 0.884；该结果对应的数据集、样本规模及评估划分尚未验证。作者还报告在 k-space 8 倍欠采样条件下表现保持稳健、结果一致，但欠采样模式、各任务指标变化及对照条件尚未验证，因此不能据此推断任意采集协议下均具备同等鲁棒性。 阅读全文时需核对相位信息是否带来独立增益、直接 k-space 输入与图像域基线的比较条件，以及欠采样实验与完整采样实验的对应关系。实验协议、消融及统计信息尚未验证，代码和复现资源亦未由所给材料确认。该研究的主要对象是心脏 MRI，而非 EEG 或 BCI；摘要未提供具体的神经信号机制对应关系，不据此推断 BCI 有效性。