MRI k-space 运动伪影增强：模型鲁棒性与任务特异性不确定性

基于摘要分析。该研究针对患者运动造成的 MRI 伪影及其对自动图像分析的影响，提出从无伪影体数据生成逼真运动伪影的数据增强方法，用于提升语义分割 CNN 的鲁棒性，并考察模型不确定性能否反映伪影的存在。 核心机制是将患者运动建模为一系列随机生成、经“去均值”处理的刚性三维仿射变换，对无伪影体数据重采样，再在 k-space 中组合生成运动伪影。其方法重点是通过运动与成像空间的对应关系构造训练扰动，而非仅在最终图像上添加普通噪声；摘要未给出去均值处理、运动采样分布及 k-space 组合的具体实现。 作者报告，在语义分割 CNN 的训练中加入伪影增强数据后，模型在含伪影数据上的泛化与表现可靠性有所改善，对无伪影数据性能的影响可忽略。作者还报告，采用此增强方式训练的模型在真实世界测试—重测图像对上的分割表现更稳健；其不确定性度量能够反映伪影存在。摘要未提供具体数据集、样本量、划分协议、对照设置或指标数值，因此不能量化增益，也不能据此认定不确定性已足以保障临床使用安全。 复现需核对运动轨迹生成、MRI 采集与 k-space 模拟的对应关系、分割任务与训练设置、不确定性估计方式，以及真实测试—重测数据的评价协议；消融及统计信息尚未验证。本研究的主要对象是 MRI 图像分割与运动伪影，并非 EEG/BCI 解码，现有材料不足以支持具体的 BCI 迁移结论。