使用 Transformers 从欠采样 K-Space 直接进行心脏分割

基于摘要分析。该研究针对心脏 MR 分割依赖重建图像质量、且重建与分割串联可能引入伪影和信息损失的问题，提出使用 transformer 的 DiSK，从欠采样 k-space 直接预测分割结果，而非先生成 MR 图像再分割。 核心机制是通过注意力模块，从 2D+time k-space 数据中全局提取潜在特征，再预测查询点的分割标签。其方法价值在于绕过显式图像重建这一中间环节，尝试利用传统两阶段流程可能未充分保留的 k-space 信息。摘要未提供复数数据表示、时空编码、查询点构造、损失函数或训练细节，这些内容尚未验证。 作者报告，在加速因子为 4 至 64 的所呈现采样设置下，与两个基于图像的分割基线相比，DiSK 在所有前景类别的 Dice 和 Hausdorff 距离指标上均表现更优。摘要没有给出具体分数、数据集、被试数、数据划分、采样掩码及基线名称，因此不能据此判断提升幅度、跨数据集泛化或临床适用性；实验协议、消融及统计信息尚未验证。复现需进一步核对欠采样方式、参考标签来源、两类基线的重建输入与训练条件，以及不同加速因子下的评估设置。 该论文的主要对象是心脏 MR 分割，不是 EEG 解码或 BCI。其输入具有 MR 特有的 k-space 与成像关系，摘要不足以建立向 EEG/BCI 迁移的具体机制对应，因此不将其结果解释为 BCI 算法有效性证据。