SPIRiT-Diffusion：用于加速 MRI 的自一致性驱动扩散模型

基于摘要分析。本文研究加速 MRI 的 k-space 插值与图像重建，提出 SPIRiT-Diffusion：利用 SPIRiT 自一致性项的迭代求解机制构造扩散过程的随机微分方程（SDE），将 k-space 物理先验融入扩散模型设计。 核心机制：作者指出，现有图像域扩散重建方法容易受到线圈灵敏度图（CSMs）误差影响，而传统扩散模型不易直接用于 k-space 插值。该方法以 SPIRiT 的自一致性约束为出发点，通过相应迭代求解器定义扩散动力学，再执行扩散过程完成 k-space 插值。作者将这种由优化模型指导 SDE 设计、使扩散过程贴合物理约束的思路称为 model-driven diffusion。具体 SDE、训练目标、网络结构及推理流程尚未验证。 评估与结果：作者在一个三维颅内与颈动脉联合血管壁成像数据集上评估该方法，并报告其优于图像域重建方法，在加速倍数为 10 的设置下仍获得较高重建质量。摘要未提供定量指标、对照方法名称、数据规模、训练测试划分及采样模式，因此不能据此判断优势幅度或跨协议泛化能力。实验协议、消融及统计信息尚未验证。 复现与适用边界：摘要提供了代码仓库，但代码内容、运行条件与结果可复现性尚未核验。该研究的主要对象是 MRI 重建，并非 EEG 解码或 BCI；摘要没有提供其对神经信号任务有效的证据，不应将所报告的 MRI 重建优势直接外推为 BCI 性能提升。