物理信息驱动的 DeepMRI：从热扩散到 k-space 插值的统一框架

基于摘要分析。该研究针对磁共振并行成像（PI）中 k-space 插值的可解释性与加速能力限制，提出以热扩散方程为基础、统一 k-space 插值与图像域方法的框架，并据此构建新的 k-space 插值方法。 核心机制是将 k-space 高频信息的衰减过程建模为热扩散，而将从低频区域恢复高频信息理解为逆热方程求解。由于逆热过程属于困难的逆问题，作者进一步按照磁共振 PI 的物理原则修改热方程，并采用 score-based 生成方法执行修改后的逆热扩散。其方法特点是将物理建模与生成式逆过程结合，而非仅将插值作为黑箱预测；具体方程、物理约束的实现方式、训练目标和推理流程尚未验证。 作者报告，在公开数据集上的实验中，该方法相较于传统 k-space 插值、深度学习 k-space 插值及常规扩散模型具有更高的重建精度，尤其体现在高频区域。摘要未提供数据集名称、采样模式、加速因子、数据划分、具体指标或数值，因此不能量化提升幅度，也不能判断不同加速条件下的适用范围。实验协议、消融及统计信息尚未验证；复现还需核对完整方法、训练配置、采样设置与实现材料。 论文的主要对象是 MRI 重建，不是 EEG 解码或 BCI。摘要未提供与 EEG/BCI 的具体机制对应关系，不能将其重建结果解释为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。