La velocidad de recopilación de datos en muchos tipos de tecnologías de imágenes, incluida la resonancia magnética, depende de la cantidad de muestras tomadas por la máquina. Cuando la cantidad de muestras recolectadas es pequeña, se pueden usar redes neuronales profundas para eliminar el ruido resultante y los artefactos visuales.

La tecnología funciona, pero no existe un marco teórico estándar, ninguna teoría completa, para describir por qué funciona.

En un artículo presentado en la conferencia NeurIPS a fines de 2021, Ulugbek Kamilov, de la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis, y los coautores, trazaron un camino hacia un marco claro. Kamilov es profesor asistente en el Departamento de Ingeniería Eléctrica y de Sistemas de Preston M. Green y en el Departamento de Ingeniería y Ciencias de la Computación.

Los hallazgos de Kamilov prueban, con algunas limitaciones, que una red neuronal profunda puede obtener una imagen precisa a partir de muy pocas muestras si la imagen es del tipo que la red puede representar.

El hallazgo es un punto de partida hacia una comprensión sólida de por qué la IA de aprendizaje profundo puede producir imágenes precisas, dijo Kamilov. También tiene el potencial de ayudar a determinar la forma más eficiente de recolectar muestras y aún así obtener una imagen precisa.