# 无图像，无问题：从欠采样k空间的端到端多任务心脏分析

传统的临床心脏磁共振（CMR）流程依赖于顺序的"重建-后分析"范式，这种方式强制执行一个病态的中间步骤，引入了可避免的伪影和信息瓶颈。这产生了一个根本的数学悖论：它试图从欠采样的k空间恢复高维像素阵列（即图像），而不是直接提取诊断所需的低维生理标签。为了释放k空间的直接诊断潜力，我们提出了k-MTR（k空间多任务表征），一个k空间表征学习框架，将欠采样的k空间数据和完全采样的图像对齐到共享的语义流形中。利用42,000个受试者的大规模受控模拟，k-MTR强制k空间编码器在潜在空间中直接恢复由欠采样损失的解剖信息，绕过了显式反演问题以进行后续分析。我们证明了这种潜在对齐使得直接从欠采样频率中嵌入高级生理语义的稠密潜在空间成为可能。在连续表型回归、疾病分类和解剖分割中，k-MTR相比最先进的图像域基线方法实现了具有竞争力的性能。通过展示精确的空间几何和多任务特征可以直接从k空间表征中成功恢复，k-MTR为任务感知的心脏MRI工作流程提供了一个稳健的架构蓝图。