径向 MRI 的深度 sinogram 学习：与 k-space 学习及图像学习的比较

基于摘要分析（未取得论文全文）。本研究针对径向欠采样 MRI 的图像重建，利用 Fourier-slice theorem 将径向 k-space 经一维逆傅里叶变换转换为 sinogram，再用 CNN 预测未采集的投影样本。主要贡献是比较 k-space 域的 K-net、图像域的 I-net 与 sinogram 域的 S-net，考察学习域选择对条纹伪影和组织结构恢复的影响；研究对象是 MRI 重建，并非 BCI 解码。 S-net 的流程为一维逆傅里叶变换、CNN、逆 Radon 变换及数据一致性处理。I-net 先进行 gridding 和二维逆傅里叶变换，再经 CNN 与数据一致性处理；K-net 则在 k-space 域估计后进行二维逆傅里叶变换。作者将 sinogram 学习解释为基于已采集投影样本的插值问题，并认为其结构模式比 k-space 更适合 CNN 提取；相较之下，图像域网络需要同时去除伪影和恢复欠采样导致的结构失真，可能将条纹误恢复成组织结构。这是作者提出的机制解释，尚需完整实验支持。 实验使用 ADNI 的 T2-FLAIR 脑图像，训练集为 450 张、测试集为 50 张；径向全采样与欠采样数据均由二维 Cartesian 数据通过 inverse gridding 获得，并非材料中明确报告的真实径向采集。材料列出的 CNN 深度为 25，卷积核为 3×3、特征图数为 64，使用 leaky ReLU 和带动量的 mini-batch SGD。作者报告，使用 MatConvNet 重建单张 256×256 图像平均耗时 2.5 秒，但硬件条件尚未验证。 在上述测试集上，作者报告 S-net 的平均 PSNR 最高，I-net 的平均 SSIM 最高；作者将 S-net 的 SSIM 劣势归因于背景区域，并称两者在脑区的 SSIM 相近。材料未提供具体指标数值。对 64 spokes 重建示例，作者报告 S-net 较好地抑制条纹并保留结构，而 I-net 出现原图中不存在的结构。 复现时需核对被试级划分、欠采样设置、各方法的数据一致性与训练条件是否可比，以及脑区评价和真实径向采集下的表现；完整实验协议、消融及统计信息尚未验证。该方法依赖径向 MRI 的投影几何，材料未建立其与 EEG 的具体机制对应关系，不据此生成 BCI 迁移结论。