运动伪影的 k-space 模型：用于分割数据增强与伪影去除

基于摘要分析。该研究针对患者运动导致 MRI 图像伪影、进而影响自动图像分析的问题，提出从无伪影 MRI 幅值数据生成逼真运动伪影的方法，用于分割 CNN 的训练增强，并探索回顾性伪影去除与不确定性提示。其主要对象是 MRI 图像质量与分割鲁棒性，而非 EEG 或 BCI 解码。 核心机制是将患者运动建模为一系列随机生成并经“去均值”（demeaned）处理的三维刚性仿射变换，对无伪影体数据进行重采样，再在 k-space 中组合这些数据，生成含运动伪影的训练样本。该方法通过增加训练图像的外观变化，使模型接触受运动污染的数据；摘要未交代变换分布、k-space 组合规则及其与实际采集时序的对应关系，尚需正文核对。 作者报告，在语义分割 CNN 训练中加入此类伪影增强后，模型在含伪影数据上表现更可靠，对干净数据的性能影响可忽略；作者还报告，在真实测试—重测图像对的分割任务上，使用伪影数据训练的模型具有更好的鲁棒性。摘要未提供数据集、样本量、划分、对照基线或定量指标，无法据此判断改善幅度与统计可靠性。 作者报告，该增强模型还可支持学习回顾性去除真实 MRI 扫描中的某些运动伪影；运动增强 CNN 的不确定性度量能够反映伪影存在，可为临床流程中使用深度学习提取的生物标志物提供辅助信息。这不等于已验证临床安全性，也不能推广为对所有运动伪影均有效。实验协议、消融及统计信息尚未验证，复现还需核对预处理、运动模拟参数、训练配置与不确定性估计方法。材料未提供具体 EEG/BCI 对应机制，不据此提出跨模态迁移结论。