HSSRecon 用物理采集单元划分与 Hankel 子空间学习，在 fastMRI 脑数据六种条件下取得有竞争力的重建指标

提出 HSSRecon，将结构学习放在 Hankel 域、把数据一致性放在物理域：网络不直接预测缺失数据，而是学习紧凑的复值 Hankel 子空间算子，重建在原始 k 空间变量上通过共轭梯度求解器与硬数据一致性完成。 相对于直接学习缺失数据映射的重建方式，该设计把多线圈与局部 Hankel 相关性的利用，与对未采集自由度的求解分离开来。 文中以方法描述与理论分析支撑该设计，并在 fastMRI 脑数据上以三种对比度、三种采样掩膜共六种聚合条件评估。

针对 Hankel 自监督中的数据泄漏问题，HSSRecon 在 Hankel 提升之前按物理采集单元划分数据，并对重叠窗口中重复的 Hankel 副本施加多重性归一化。 该做法回应了将提升后的 Hankel 条目拆分用于自监督时，原始样本可能同时出现在输入与目标中的风险。 文中给出关于物理组划分与多重性归一化的理论分析。

为所构建的系统建立了正定性、唯一性、硬数据一致性以及有限步共轭梯度误差界。 这些性质把 Hankel 域的结构学习与物理域的数据一致性求解联系起来，为求解器行为提供理论刻画。 结论来自文中的理论分析，而非仅由实验观察得出。

在 fastMRI 脑数据上，HSSRecon 在峰值信噪比、结构相似度与归一化均方误差上于六种聚合条件下取得有竞争力的表现。 评估覆盖三种对比度与三种采样掩膜，说明该框架在多种采集设定下均可运行。 证据为 fastMRI 脑数据上的六种聚合条件；文中未给出具体数值。

该结果面向并行磁共振成像的逐扫描重建，适用于多线圈采集与欠采样场景，评估设定为 fastMRI 脑数据、三种对比度与三种采样掩膜共六种聚合条件。对希望把 Hankel 域结构学习与物理域数据一致性求解分离的研究者与工程实现者，这一框架提供了可复用的设计思路；其理论结论针对所构建的系统，实验结论限于上述评估范围。

文中未给出峰值信噪比、结构相似度与归一化均方误差的具体数值，也未列出与各基线方法的逐项对比，因此难以从摘要判断优势幅度。多重性归一化与物理组划分在不同采样掩膜、对比度或加速倍数下的行为，以及有限步共轭梯度误差界在实际重建中的紧致程度，仍需结合正文与更多设定考察。