k-space 不确定性引导的 MR 成像双域运动伪影校正

基于摘要分析。该研究针对二维多切片 MRI 采集过程中运动造成的重建伪影，提出双域运动校正网络 D²MC-Net，以 k-space 不确定性描述运动污染，而非显式估计运动参数，并据此引导展开式深度重建。 方法将运动校正表述为带有不确定性引导数据一致性项的双域正则化模型，再依据交替迭代优化算法构建多阶段网络。每个阶段包含 k-space uncertainty module（KU-Module）和 dual domain reconstruction module（DDR-Module）：前者量化 k-space 中运动污染的不确定性，后者在该不确定性的引导下，同时恢复 k-space 数据与 MR 图像。其值得关注的机制是将污染程度估计纳入数据一致性约束，而不是仅在重建后的图像上去除伪影；具体不确定性定义、约束形式与训练目标尚未验证。 作者报告，在 fastMRI 数据集上、不同运动轨迹与运动严重程度的实验条件下，D²MC-Net 优于所比较的先进方法。摘要未提供具体指标、提升幅度、数据划分或基线名称，因此不能判断优势大小或不同设置间的可比性。实验协议、消融及统计信息尚未验证；复现还需核对运动生成方式、训练与测试的轨迹分布、真实运动数据验证，以及模型和代码的可获得性。 原论文的主要对象是 MRI 运动伪影校正，不是 EEG 解码或 BCI 验证；摘要结果不能作为其在 BCI 场景有效的证据。