PARCEL：面向多线圈 MR 成像的基于物理的无监督对比表征学习

基于摘要分析。该研究针对多线圈并行 MR 成像中高质量全采样训练数据难以获取、深度学习模型可解释性有限的问题，提出 Physics-bAsed unsupeRvised Contrastive rEpresentation Learning（PARCEL），利用欠采样数据学习图像表征并进行 MR 重建。其主要研究对象是 MR 图像重建，而非 EEG 解码或 BCI。 方法采用并行的双分支框架，从经过增强的欠采样多线圈 k-space 数据中，对两个基于模型的展开网络进行对比学习。作者设计了包含三个关键组成部分的协同训练损失，引导两个网络捕获 MR 图像的内在特征与表征，最终使用训练后的网络重建图像。摘要未给出数据增强方式、物理约束的具体实现、损失公式或推理时双分支的组合方式，这些细节尚未验证。 作者报告，在两个活体数据集上与五种被其称为当前先进方法的对照进行比较，PARCEL 能够不依赖全采样训练数据，学习用于准确 MR 重建的表征。摘要未提供数据集名称、采样加速率、划分方式、重建指标或具体数值，因此尚不能判断收益大小及适用条件；实验协议、消融及统计信息尚未验证。 复现需核对多线圈采集与欠采样设置、展开网络对应的前向成像模型、协同损失构成及训练和测试数据划分。作者表示将公开代码，但材料不足以确认代码当前是否已发布。该机制依赖 MR 的采样与重建结构，不能直接视为 EEG 或 BCI 的有效方法；已有 EEG 相关工作尚未检索确认。