核磁共振成像（MRI）扫描是一种使用大型磁铁、无线电波和计算机来清晰显示身体内部结构的测试。医疗保健提供者使用MRI来评估、诊断和监测多种医疗状况。
虽然X射线和CT扫描各有优点，但MRI扫描具有更好的软组织对比度和高质量成像。尽管提供了出色的软组织对比度和高质量成像，MRI仍然容易受到运动干扰的影响，即使细微的运动也可能引入破坏性的图像伪影。这些伪影会影响医学图像的准确性，导致医生无法准确判断患者的问题，进而可能导致治疗效果不佳。
即使是短暂的扫描也可能因微小的运动而受到影响，这对MRI图像产生独特的影响。与相机模糊不同，MRI运动伪影可以扭曲整个图像。
根据华盛顿大学放射学研究的数据，大约有15%的脑MRI扫描受到运动的影响，需要进行额外的扫描。这种需要重复成像的要求导致医院每台扫描仪每年约花费115,000美元，以获得在各种MRI模式下具有诊断可靠性的图像。
为了解决这个问题，麻省理工学院的研究人员采取了重要的步骤，利用深度学习技术。他们使用深度学习找到了一个解决方案。他们将深度学习与物理学相结合，取得了惊人的结果。
他们的方法是在不改变扫描过程的情况下，通过计算构建一个无运动的图像来从受运动干扰的数据中恢复。采用这种综合方法的意义在于能够保持所得图像与实际测量结果之间的一致性。
未能实现这种对齐可能导致模型生成所谓的“幻觉”——看似真实的图像，实际上偏离了实际的物理和空间属性。这种差异有可能改变诊断结果，准确的医学图像表达的重要性凸显出来。
展望未来，他们强调了进一步研究更复杂的头部运动和影响各种身体部位的运动的激动人心的潜力。例如，在胎儿MRI方面，挑战在于应对快速和不可预测的动作，这超出了基本的平移和旋转模型的能力。这凸显了需开发更复杂的策略以考虑复杂的运动模式，为增强MRI在各种解剖情况下的应用提供了一个有希望的途径。