物理信息驱动的 DeepMRI：k-space 插值与热扩散相结合

基于摘要分析。该研究面向 MRI 重建，针对从纯噪声生成图像的扩散模型可能产生伪影的问题，提出以已有低频（LF）k-space 数据为起点生成缺失高频（HF）数据的框架，并将物理信息驱动的插值模型融入重建过程。其贡献是建立 LF 到 HF 的 k-space 插值与逆向热扩散之间的联系，而非提出 EEG 或 BCI 解码方法。 核心机制上，作者将生成起点由随机噪声转向已有 LF k-space 数据，以提高重建的可控性；再把传统物理信息驱动的 k-space 插值模型作为数据保真项，整合到扩散框架中。摘要未给出热扩散关系的具体推导、数据保真项的数学形式、训练目标或推理流程，这些实现细节尚未验证。该方法依赖 MRI 的频域采样结构及已观测 LF 数据，不能直接等同于一般信号的频谱补全。 作者报告，在公开数据集的 MRI 重建实验中，该方法优于传统 k-space 插值、基于深度学习的 k-space 插值及常规扩散模型，尤其在 HF 区域表现更好；作者还评估了多个分布外数据集上的泛化性能。摘要未提供数据集名称、采样模式、加速倍数、划分方式、指标或具体数值，因此目前不能核对优势幅度，也不能比较不同重建协议下的结果。实验协议、消融及统计信息尚未验证。 摘要提供了代码地址，可作为后续复现入口，但代码内容、运行条件及其与论文实验的一致性尚未验证。阅读全文时宜重点核对 LF 条件对伪影的影响、物理插值项的独立贡献，以及 HF 重建与分布外泛化的评估方式。该研究对象是 MRI 重建，并非明确的 fMRI 或 BCI 任务；材料未建立其与 EEG/BCI 的具体机制对应关系，因此不据此提出迁移效果或复现实验建议。