用于快速光声重建的近似 k-space 模型与深度学习

基于摘要分析。本文研究光声断层成像的快速迭代重建，通过基于 k-space 方法的快速近似前向模型降低计算开销，并训练 CNN 利用含结构化伪影的近似梯度信息完成迭代重建。主要贡献是将物理模型的计算近似与学习式重建结合，而非直接研究 EEG 或 BCI 解码。 核心机制在于：近似前向模型会在迭代重建所用的梯度信息中引入混叠伪影，但这些伪影具有较强结构性，因而可以训练 CNN 利用这类不精确的信息进行重建。摘要未说明 CNN 的具体输入输出、网络结构、损失函数及其与迭代更新的结合方式，这些细节尚未验证。 作者报告，该方法在人类活体测量的有限视角几何条件下具有可行性，并相较总变分（total variation）重建取得更好的结果和 32 倍加速。摘要未给出图像质量指标、样本规模、训练与测试划分、计时硬件及停止准则，因此上述加速仅应放在原文报告的比较背景下理解，不能外推为一般性能保证；实验协议、消融及统计信息尚未验证。 复现时需核对近似模型的误差结构、CNN 训练数据的构成，以及质量与速度比较是否采用一致的测量条件。本文的研究对象是光声成像逆问题，摘要未提供 EEG/BCI 验证，也未建立向神经信号任务迁移的具体对应关系，不能将其结果视为 BCI 有效性的证据。