运动伪影的 k-space 模型：用于分割数据增强与伪影去除

基于摘要分析。本文针对 MRI 采集过程中患者运动引起的图像伪影，提出从无伪影的幅值 MRI 数据生成运动伪影的方法，用于提升分割 CNN 的稳健性，并探索回顾性伪影去除及不确定性提示。其主要研究对象是 MRI 图像处理，而非状态空间序列模型或 BCI 解码。 方法将患者运动建模为一系列随机生成、经“去均值”（demeaned）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，生成运动伪影数据。该机制通过模拟采集过程中的运动影响扩展训练外观变化，而不只是对最终图像施加常规空间变换；具体运动分布、k-space 组合规则及采集假设尚未验证。 作者报告，在语义分割 CNN 训练中加入所生成的伪影数据，可改善模型在含伪影数据上的泛化与可靠性，同时对干净数据的性能影响很小；在真实测试—重测图像对的分割任务中，使用伪影数据训练的模型也更稳健。作者还报告，该模型可用于学习回顾性去除真实 MRI 扫描中的某些类型运动伪影，且运动增强 CNN 的不确定性度量能够反映伪影存在。摘要未给出具体数据集、样本量、划分、对照基线或定量指标，实验协议、消融及统计信息尚未验证。 复现时需核对幅值数据生成伪影与真实采集过程的对应程度、模拟运动类型对真实运动的覆盖范围，以及伪影去除是否保留解剖结构。不确定性与伪影存在的关联尚不能单独证明临床使用安全性。该方法依赖 MRI 的 k-space 数据结构，不能直接等同于 EEG 运动伪影增强；现有材料不足以提出具体 BCI 迁移方案。