La vitesse de collecte des données dans de nombreux types de technologies d'imagerie, y compris l'IRM, dépend du nombre d'échantillons prélevés par la machine. Lorsque le nombre d'échantillons collectés est faible, des réseaux de neurones profonds peuvent être utilisés pour supprimer le bruit et les artefacts visuels résultants.

La technologie fonctionne, mais il n'existe pas de cadre théorique standard (pas de théorie complète) pour décrire pourquoi cela fonctionne.

Dans un article présenté à la conférence NeurIPS fin 2021, Ulugbek Kamilov, de la McKelvey School of Engineering de l'Université de Washington à St. Louis, et ses co-auteurs ont tracé la voie vers un cadre clair. Kamilov est professeur adjoint au département de génie électrique et des systèmes de Preston M. Green et au département d'informatique et d'ingénierie.

Les découvertes de Kamilov prouvent, avec quelques contraintes, qu'une image précise peut être obtenue par un réseau neuronal profond à partir de très peu d'échantillons si l'image est du type qui peut être représenté par le réseau.

La découverte est un point de départ vers une compréhension solide de la raison pour laquelle l'IA d'apprentissage en profondeur est capable de produire des images précises, a déclaré Kamilov. Il a également le potentiel d'aider à déterminer le moyen le plus efficace de collecter des échantillons tout en obtenant une image précise.