La velocità di raccolta dei dati in molti tipi di tecnologie di imaging, inclusa la risonanza magnetica, dipende dal numero di campioni prelevati dalla macchina. Quando il numero di campioni raccolti è piccolo, è possibile utilizzare reti neurali profonde per rimuovere il rumore risultante e gli artefatti visivi.

La tecnologia funziona, ma non esiste un quadro teorico standard, né una teoria completa, per descrivere il motivo per cui funziona.

In un documento presentato alla conferenza NeurIPS alla fine del 2021, Ulugbek Kamilov, della McKelvey School of Engineering della Washington University di St. Louis, e i coautori hanno tracciato un percorso verso un quadro chiaro. Kamilov è assistente professore presso il Preston M. Green Department of Electrical &Systems Engineering e il Department of Computer Science &Engineering.

I risultati di Kamilov dimostrano, con alcuni vincoli, che un'immagine accurata può essere ottenuta da una rete neurale profonda da pochissimi campioni se l'immagine è del tipo che può essere rappresentato dalla rete.

La scoperta è un punto di partenza per una solida comprensione del motivo per cui l'IA del deep learning è in grado di produrre immagini accurate, ha affermato Kamilov. Ha anche il potenziale per aiutare a determinare il modo più efficiente per raccogliere campioni e ottenere comunque un'immagine accurata.