用于 MRI 重建的从低频到高频渐进式 K-Space 学习

基于摘要分析。本文研究 MRI 的 k-space 欠采样与噪声导致的重建质量下降，提出 Low-to-High Frequency Progressive（LHFP）学习框架，以级联的 k-space 学习网络逐步恢复低频和高频成分。主要研究对象是 MRI 重建，并非 EEG 解码或 BCI。 核心机制：摘要指出，k-space 低频成分的幅值通常比高频成分高数千倍，可能使训练偏重低频而忽视高频恢复。LHFP 首轮专注低频学习；从第二轮开始，High-Frequency Enhancement（HFE）模块根据预测的患者特异性低高频边界强化高频学习。为避免后续阶段的低频恢复退化，Low-Frequency Compensation（LFC）模块使用估计权重，以前一轮低频预测补偿当前预测。边界预测方式、权重估计方法、损失函数及级联轮数尚未验证。 结果与证据范围：在摘要所述 BraTs 数据集的全采样和 4 倍欠采样低场脑 MRI 重建条件下，作者报告该方法优于现有 k-space 学习方法；结合简单的图像域去噪器后，作者报告优于双域学习方法。摘要未提供具体指标或数值，数据构建方式、采样模式、训练测试划分、对照配置、消融及统计信息尚未验证。作者表示代码将在论文接收后发布；这不等于当前已接收或代码已公开。 平台推测（待验证）：若 EEG 频域学习确实存在强幅值成分主导训练、弱幅值成分恢复不足的问题，渐进频率学习与前阶段补偿可作为方法假设。但 MRI k-space 的空间频率不等于 EEG 的时间频率，需重新定义频率边界、任务目标与补偿策略；EEG 低信噪比、跨被试差异、通道变化及小数据可能使高频强化放大伪迹。可在固定被试内划分下，对同一 EEG 频域去噪基线比较有无渐进学习及补偿，分别检查频段恢复误差与下游任务表现。已有 EEG 相关工作尚未检索确认。