受稀疏表示启发的用于扩散 MRI 微结构估计的 Transformer

基于摘要分析。该研究针对扩散 MRI（dMRI）组织微结构估计中生物物理模型复杂、非线性强，以及传统优化依赖密集 q-space 采样的问题，提出 Microstructure Estimation Transformer with Sparse Coding（METSC），从降采样 q-space 数据估计微结构参数。其核心贡献是在 Transformer 中显式引入稀疏编码所提供的模型归纳偏置，以缓解训练数据需求。 METSC 包含嵌入、稀疏表示和映射三个阶段：嵌入阶段用 Transformer 编码信号，形成体素表示；稀疏表示阶段通过展开 Iterative Hard Thresholding（IHT）过程求解稀疏重建问题并构建字典；映射阶段作为解码器，根据归一化字典系数的加权和计算微结构参数，其中权重也通过学习获得。其方法特色是将信号表示学习与具有模型约束的稀疏重建结合，而非仅依赖 Transformer 拟合输入与参数之间的映射。 作者在降采样 q-space 数据上，针对 intravoxel incoherent motion（IVIM）和 neurite orientation dispersion and density imaging（NODDI）两种 dMRI 模型进行评估。作者报告扫描时间最高可加速 11.25 倍，并优于所比较的先进学习方法；摘要未给出该最大加速对应的具体模型、采样方案、参考扫描协议、参数误差指标及基线名称，因此这些结果的适用范围尚待全文核验。数据来源、样本规模、训练与测试划分、损失函数、消融及统计信息尚未验证。 本研究的主要对象是 dMRI 组织微结构参数估计，并非 EEG 解码或 BCI。摘要没有建立其生物物理字典与 EEG 信号结构之间的具体对应关系，因此不据此提出直接迁移结论；相关 EEG 工作亦尚未检索确认。