PISCO：用于改善动态 MRI 神经隐式 k-space 表示的自监督 k-space 正则化

基于摘要分析。该研究针对动态 MRI 中缩短采集时间、减少可用训练数据后，神经隐式 k-space 表示（NIK）因过拟合而重建性能下降的问题，提出自监督 k-space 损失函数 L_PISCO，为 NIK 重建提供无需额外数据的正则化。 其核心机制是并行成像启发的自一致性（parallel imaging-inspired self-consistency，PISCO）：约束全局 k-space 邻域关系保持一致，以补充有限采样数据提供的训练约束。摘要未给出该邻域关系的具体数学形式、损失权重及优化细节，尚不能判断其对采样模式与采集配置的依赖。 作者报告，在静态与动态 MR 重建的定量和定性评估中，加入 PISCO 能改善 NIK 表示；尤其在高加速因子 R≥54 的评估条件下，作者报告其时空重建质量优于所比较的先进方法。摘要未提供具体数据集、样本量、划分方式、指标数值及对照方法名称，因此这一结论不能扩展到所有采集协议。作者还报告分析了损失假设及稳定性，其具体证据、消融及统计信息尚未验证。 材料提供了代码仓库，但代码可运行性、数据可得性与完整复现条件尚未核验。该工作的主要对象是 MRI 图像重建，而非 EEG 解码或 BCI；k-space 邻域约束依赖 MRI 的成像结构，不能直接视为 EEG 正则化方法，也不能将原领域结果作为 BCI 有效性的证据。