用于加速 MRI 的 k-space 深度学习

基于摘要分析。该研究面向加速 MRI 中缺失 k-space 数据的重建，提出直接在 k-space 域进行插值的全数据驱动深度学习算法，而非仅在图像域学习重建映射。 方法动机来自 annihilating filter-based low-rank Hankel matrix approach（ALOHA）：利用 k-space 域结构化低秩性与图像域稀疏性之间的对偶关系，通过低秩 Hankel 矩阵补全插值缺失数据。本文进一步借助卷积神经网络与采用数据驱动 framelet 基的 Hankel 矩阵分解之间的数学联系，构建学习式 k-space 插值方法。摘要未给出具体网络结构、损失函数、训练监督形式或复数数据处理方式，这些实现细节尚未验证。 作者报告，在其数值实验中，该方法持续优于已有图像域深度学习方法；但摘要未提供数据集、采样模式、加速倍数、数据划分、对照方法名称及评价指标，因此无法量化优势或判断适用范围。作者还指出，通过增加 regridding 层可将网络用于非笛卡尔 k-space 轨迹；该扩展的实现和评估条件仍需核对全文。实验协议、消融及统计信息尚未验证。 本文的主要研究对象是 MRI 重建，并非 EEG 解码或 BCI。其机制依赖 MRI 的 k-space 采样结构及结构化低秩关系，不能将重建效果直接视为神经信号任务中的有效性证据。复现时应重点核对欠采样与训练数据构造、Hankel/framelet 对应的具体实现，以及非笛卡尔 regridding 的处理方式。