De snelheid van gegevensverzameling bij veel soorten beeldvormingstechnologieën, waaronder MRI, hangt af van het aantal monsters dat door de machine wordt genomen. Wanneer het aantal verzamelde monsters klein is, kunnen diepe neurale netwerken worden gebruikt om de resulterende ruis en visuele artefacten te verwijderen.

De technologie werkt, maar er is geen standaard theoretisch kader - geen volledige theorie - om te beschrijven waarom het werkt.

In een paper gepresenteerd op de NeurIPS-conferentie eind 2021, legden Ulugbek Kamilov, aan de McKelvey School of Engineering van de Washington University in St. Louis, en co-auteurs een pad uit naar een duidelijk kader. Kamilov is een assistent-professor aan de Preston M. Green Department of Electrical &Systems Engineering en de Department of Computer Science &Engineering.

De bevindingen van Kamilov bewijzen, met enkele beperkingen, dat een nauwkeurig beeld kan worden verkregen door een diep neuraal netwerk van zeer weinig steekproeven als het beeld van het type is dat door het netwerk kan worden weergegeven.

De bevinding is een startpunt voor een robuust begrip van waarom deep learning AI in staat is om nauwkeurige beelden te produceren, zei Kamilov. Het kan ook helpen bij het bepalen van de meest efficiënte manier om monsters te verzamelen en toch een nauwkeurig beeld te verkrijgen.