Utilisation de réseaux de neurones profonds pour reconstruire des spectres de RMN échantillonnés non uniformément

L'échantillonnage non uniforme et sparse des spectres de RMN multidimensionnels est devenu, au cours de la dernière décennie, un outil important pour permettre une acquisition rapide de spectres de RMN multidimensionnels avec une haute résolution. Le succès de l'échantillonnage non uniforme en RMN repose à la fois sur le développement d'algorithmes pour reconstruire précisément les spectres échantillonnés de manière sparse et sur la conception de programmes d'échantillonnage qui maximisent les informations contenues dans les données échantillonnées. Traditionnellement, les outils et algorithmes de reconstruction visaient à reconstruire le spectre complet et ainsi à 'compléter les points manquants' dans le spectre du domaine temporel, bien que d'autres techniques soient basées sur la décomposition multidimensionnelle et l'extraction de formes multidimensionnelles. Au cours de la dernière décennie, l'apprentissage automatique, les réseaux de neurones profonds et l'intelligence artificielle ont vu de nouvelles applications dans une vaste gamme de sciences, y compris l'analyse des spectres d'IRM. Comme preuve de principe, il est montré ici que des réseaux de neurones profonds simples peuvent être formés pour reconstruire des spectres de RMN échantillonnés de manière sparse. Pour la reconstruction de spectres de RMN bidimensionnels, la reconstruction utilisant un réseau de neurones profonds se révèle aussi performante, sinon meilleure, que les techniques actuellement largement utilisées. Il est donc prévu que les réseaux de neurones profonds fournissent un outil très précieux pour la reconstruction de spectres de RMN échantillonnés de manière sparse dans un avenir proche.