利用渐进权重剪枝学习 MRI k-space 欠采样模式

基于摘要分析。该研究针对 MRI 采集耗时较长的问题，提出借鉴神经网络剪枝思想的数据驱动方法，交替学习 k-space 欠采样模式与图像重建模型；主要研究对象是 MRI 加速采集与重建，而非 EEG 解码或 BCI。 核心机制是在每轮学习中，根据 k-space 中各相位对应的权重，贪心移除少量被认为较不重要的相位，再微调重建模型。其方法特点是将采样模式选择纳入迭代优化，而不是仅学习从欠采样信号到完整 MR 图像的映射。摘要未说明权重的定义与更新方式、相位选择的具体采集单位、重建模型结构、损失函数或剪枝日程，这些实现条件尚未验证。 作者报告，在初步研究的单模态和多模态 MRI 实验中，该方法表现出鲁棒性与优越性。但摘要未提供数据集、样本量、采样加速比例、数据划分、对照方法及评价指标，因此尚不能判断收益幅度或不同设置下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“按重要性逐步删减采集单元并适配下游模型”的机制，可能为 EEG 通道预算优化提供思路，但这只是假设，MRI k-space 相位与 EEG 电极并不等价。迁移需将选择单元改为 EEG 通道，并重新定义重要性权重、预算约束与解码目标；还需明确训练监督及数据规模。低信噪比、小样本、跨被试差异和通道间冗余可能使重要性估计不稳定，贪心删除也可能丢失联合有用的通道。可检验的小实验是在固定数据划分与通道预算下，比较渐进通道删减加模型微调、固定通道选择与随机通道选择，观察跨被试解码表现及选择稳定性。该思路已有 EEG 相关工作尚未检索确认。