利用掩码图像建模进行动态 MRI 重建的全局 k-space 插值

基于摘要分析。该研究针对动态 MRI 因扫描时间受限而产生的 k-space 欠采样与图像混叠问题，提出基于 Transformer 的 k-space Global Interpolation Network（k-GIN），先补全未采样的 k-space 数据，再通过傅里叶变换获得图像；主要研究对象是动态 MRI 重建，而非 EEG 解码或 BCI。 机制上，k-GIN 将掩码图像建模与 k-space 插值联系起来，学习 2D+t k-space 中低频与高频成分的全局依赖，同时利用空间频率结构与时间冗余。与依赖图像域正则化先验的重建路径不同，该方法直接在 k-space 中进行插值，并引入 k-space Iterative Refinement Module（k-IRM）以增强高频成分学习。具体掩码策略、损失函数、迭代实现及采样数据一致性处理尚未验证。 作者报告，在包含 92 名内部心脏动态 MRI 被试的评估中，该方法在定量与定性表现上优于采用图像域正则化的基线，并在高度欠采样条件下表现出更强的鲁棒性与泛化能力。摘要未给出数据划分、欠采样模式及倍率、具体基线、评价指标或数值，因此不能判断改进幅度及泛化结论的适用范围；实验协议、消融及统计信息尚未验证，数据与代码的可获得性也尚未确认。 平台推测（待验证）：可检验的迁移假设是，将跨频率与时间的掩码补全机制用于 EEG 时频表示的缺失恢复，而不是直接复用 MRI 重建流程。可借鉴全局依赖建模与迭代细化思路，但需重新定义通道—时间—频率表示、掩码方式及监督目标；EEG 并不具有相同的 k-space 采样物理约束，低信噪比、跨被试差异、通道布局变化和小样本均可能使补全产生失真。小规模实验可在固定跨被试划分下，对人为遮蔽的 EEG 时频块比较该机制与简单插值，分别检验恢复误差及下游任务表现。已有 EEG 相关工作尚未检索确认。