填补 k-space 并细化图像：面向动态与多对比度 MRI 重建的提示学习

基于摘要分析。本文研究动态与多对比度 MRI 的加速重建，核心问题是如何利用帧间或对比度间信息，并提高模型对不同输入条件的适应性。作者提出两阶段流程：先补全缺失的 k-space 数据，再在图像域融合邻近帧或对比度的特征以细化重建；其中 PromptMR 通过提示学习支持多种输入条件下的统一重建。 第一阶段被视为基于物理的重建问题。作者先构建利用相邻帧或对比度及通道注意力的基线，以提取帧间或对比度间相关性，再将其扩展为 PromptMR，面向不同视图、对比度、邻接类型及加速因子。摘要未说明提示的表示方式、注入位置、物理约束的具体实现、损失函数或训练配置，这些细节尚未验证。 第二阶段将初步重建的细化视为通用视频复原问题，在图像域进一步融合邻近帧或对比度信息。设计动机是缓解展开式重建模型受结构与 GPU 显存约束、单个去噪模块容量受限的问题，并减少针对不同输入类型分别训练模型的需求；实际计算开销及模型适应范围仍需全文核对。 作者报告，该方法在加速 MRI 重建实验中显著优于此前先进方法，但摘要未提供数据集、数据划分、加速设置、对照基线、指标数值或统计检验信息，不能据此进行定量比较。实验协议、消融及统计信息尚未验证。 本研究的主要对象是 MRI 重建，而非 EEG 解码或 BCI。摘要未提供向 EEG/BCI 迁移的具体机制证据，因此不据此推断其 BCI 有效性，也不将常规 MRI 重建等同于 fMRI 或脑机接口研究。