⚡ electrical engineering

Active Sampling for MRI-based Sequential Decision Making

यह शोध पत्र एक नवीन बहु-उद्देश्यीय सुदृढीकरण शिक्षण (multi-objective reinforcement learning) ढांचे को प्रस्तुत करता है जो सैंपलिंग रणनीतियों को सक्रिय रूप से अनुकूलित करके कम-नमूनाकृत (undersampled) एमआरआई k-स्पेस डेटा से क्रमिक नैदानिक निर्णय लेने में सक्षम बनाता है, जिससे आवश्यक नमूनों की संख्या को काफी कम करते हुए एमआरआई की एक लागत प्रभावी पॉइंट-ऑफ-केयर डिवाइस के रूप में क्षमता को सुगम बनाया जा सके।

मूल लेखक: Yuning Du, Jingshuai Liu, Rohan Dharmakumar, Sotirios A. Tsaftaris

प्रकाशित 2026-02-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuning Du, Jingshuai Liu, Rohan Dharmakumar, Sotirios A. Tsaftaris

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत बड़ी जिग्सॉ पहेली (jigsaw puzzle) सुलझाने की कोशिश कर रहे हैं, लेकिन आप जल्दी में हैं। आमतौर पर, पूरी तस्वीर को स्पष्ट रूप से देखने के लिए, आपको हर एक टुकड़े को बिछाना पड़ता है। मेडिकल इमेजिंग की दुनिया में, विशेष रूप से MRI स्कैन में, यह "हर एक टुकड़े को बिछाने" की प्रक्रिया में बहुत समय लगता है, इसमें बहुत पैसा खर्च होता है, और इसके लिए विशाल, जटिल मशीनों की आवश्यकता होती है। यह एमआरआई (MRI) को आपातकालीन कक्षों या छोटे क्लीनिकों (जिसे पेपर में "पॉइंट-ऑफ-केयर" कहा गया है) में उपयोग करना कठिन बनाता है।

शोधकर्ताओं ने इस पेपर में एक सरल प्रश्न पूछा: "क्या हमें यह जानने के लिए वास्तव में पहेली के हर एक टुकड़े को देखने की आवश्यकता है कि क्या गलत है?"

यहाँ उनके समाधान का विवरण दिया गया, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।

1. समस्या: "सब-कुछ-या-कुछ-भी-नहीं" वाला दृष्टिकोण

वर्तमान में, MRI मशीनें एक फोटोग्राफर की तरह काम करती हैं जो फोटो खींचता है। वे डेटा का एक ग्रिड कैप्चर करती हैं (जिसे k-space कहा जाता है, जो केवल छवि का कच्चा फ्रीक्वेंसी डेटा है)। एक स्पष्ट तस्वीर प्राप्त करने के लिए, उन्हें आमतौर पर इसका लगभग सारा हिस्सा कैप्चर करने की आवश्यकता होती है।

समस्या: यह धीमा है। यदि आप एम्बुलेंस में हैं या किसी छोटे क्लिनिक में हैं, तो आप स्कैन के लिए 45 मिनट का इंतजार नहीं कर सकते।
पुराना तरीका: कुछ स्मार्ट कंप्यूटर ने पहेली के गायब टुकड़ों का अनुमान लगाना (reconstruction) या एक निश्चित नियम के आधार पर विशिष्ट टुकड़ों को चुनना सीख लिया है। लेकिन ये नियम अक्सर "एक ही नियम सबके लिए" (one-size-fits-all) वाले होते हैं और विशिष्ट रोगी के अनुसार खुद को नहीं बदलते।

2. समाधान: "स्मार्ट डिटेक्टिव" (सक्रिय नमूनाकरण/Active Sampling)

लेखकों ने एक AI एजेंट बनाया है जो एक सुपर-स्मार्ट डिटेक्टिव की तरह काम करता है जो पहेली के टुकड़ों को एक-एक करके देखता है।

यह कैसे काम करता है: पूरी पहेली को एक साथ देखने के बजाय, डिटेक्टिव कुछ टुकड़े उठाता है, उन्हें देखता है, और पूछता है: "ठीक है, क्या मेरे पास यह जानने के लिए पर्याप्त जानकारी है कि यहाँ कोई अपराध (बीमारी) है या नहीं?"
ट्विस्ट: यदि उत्तर "हाँ, यहाँ एक अपराध है" है, तो डिटेक्टिव तुरंत अपनी रणनीति बदल देता है। सामान्य तौर पर अपराध क्या है, यह देखने के बजाय, वे विशेष रूप से इस बात पर ध्यान केंद्रित करते हैं कि अपराध कितना गंभीर है (severity)।
जादू: AI स्कैन करना तब तक बंद करना सीख जाता है जब तक कि उसके पास एक आत्मविश्वासपूर्ण निर्णय लेने के लिए पर्याप्त जानकारी न हो जाए। वह उन टुकड़ों को देखने में समय बर्बाद नहीं करता जो महत्वपूर्ण नहीं हैं।

3. "दो-चरणीय नृत्य" (क्रमिक निर्णय लेना/Sequential Decision Making)

यह इस पेपर का सबसे रचनात्मक हिस्सा है। अस्पताल में, एक डॉक्टर केवल यह नहीं पूछता, "क्या मरीज बीमार है?" और फिर तुरंत यह भी नहीं पूछता, "वे कितने बीमार हैं?" वे इसे क्रम में करते हैं:

चरण 1: क्या मरीज बीमार है? (हाँ/नहीं)
चरण 2: यदि हाँ, तो यह कितना गंभीर है? (हल्का/गंभीर)

शोधकर्ताओं ने अपने AI को इसी क्रमिक नृत्य की नकल करने के लिए प्रशिक्षित किया।

उदाहरण: कल्पना कीजिए कि आप सूप चख रहे हैं।
- चरण 1: आप यह देखने के लिए एक चम्मच लेते हैं कि क्या यह पर्याप्त नमकीन है (बीमारी का पता लगाना - Disease Detection)।
- चरण 2: केवल यदि यह नमकीन है, तो आप नमक की सटीक मात्रा का पता लगाने के लिए दूसरा चम्मच लेते हैं (गंभीरता का निर्धारण - Severity Quantification)।
- नवाचार: AI सीखता है कि पहले कुछ चम्मच (k-space samples) उसे यह तय करने में मदद करते हैं कि सूप नमकीन है या नहीं। एक बार जब उसे पता चल जाता है कि सूप नमकीन है, तो वह ठीक से जानता है कि नमक के स्तर को मापने के लिए कौन से अन्य चम्मच चखने हैं। यदि सूप पहले से ही फीका (कोई बीमारी नहीं) है, तो वह पूरे बर्तन को चखने में समय बर्बाद नहीं करता।

4. "वेटेड रिवॉर्ड" (कोच की सीटी)

आप एक AI को यह दो-चरणीय नृत्य करना कैसे सिखाएंगे? आप इसे केवल यह नहीं कह सकते कि "दोनों एक साथ करो।"

समस्या: यदि आप AI को कहते हैं, "बीमारी खोजने और गंभीरता को मापने, दोनों में अच्छे बनो," तो वह भ्रमित हो सकता है और दोनों काम खराब तरीके से करने की कोशिश कर सकता है।
समाधान: शोधकर्ताओं ने AI को एक कोच दिया जो अलग-अलग समय पर सीटी बजाता है।
- स्कैन के शुरुआती दौर में: कोच चिल्लाता है, "केवल बीमारी खोजने पर ध्यान दें!" (AI गंभीरता को अनदेखा कर देता है)।
- बाद के दौर में: कोच सीटी बदलकर चिल्लाता है, "अब जब हमने बीमारी का पता लगा लिया है, तो केवल यह मापने पर ध्यान दें कि यह कितनी गंभीर है!"
- इसे स्टेप-वाइज वेटिंग रिवॉर्ड (Step-wise Weighting Reward) कहा जाता है। यह AI को निदान के स्वाभाविक क्रम को सीखने के लिए मजबूर करता है, ठीक वैसे ही जैसे एक मानव डॉक्टर करता है।

5. परिणाम: तेज़, सस्ता, और उतना ही अच्छा

उन्होंने इसका परीक्षण घुटने की चोटों (जैसे लिगामेंट फटना या कार्टिलेज डैमेज) पर किया।

परिणाम: उनके "स्मार्ट डिटेक्टिव" ने मानक MRI द्वारा एकत्र किए गए डेटा के केवल 10% से 20% हिस्से को देखकर 90% सटीकता के साथ मरीज का निदान कर लिया।
उदाहरण: यह 100 सुरागों के बजाय केवल 10 सुरागों को देखकर रहस्य सुलझाने जैसा है, लेकिन फिर भी अपराधी को पकड़ लेना।
यह क्यों महत्वपूर्ण है: इसका मतलब है कि एक MRI स्कैन घंटों के बजाय मिनटों में पूरा हो सकता है। यह MRI मशीनों को इतना छोटा बना सकता है कि वे एम्बुलेंस या ग्रामीण क्लिनिक में फिट हो सकें, जिससे तेजी से निदान प्राप्त करके जीवन बचाया जा सके।

सारांश

यह पेपर MRI स्कैन चलाने का एक नया तरीका प्रस्तुत करता है। आपके शरीर के अंदर की "पूरी फोटो" लेने के बजाय, वे एक AI का उपयोग करते हैं जो एक स्मार्ट डिटेक्टिव की तरह काम करता है। यह डिटेक्टिव डेटा को टुकड़ों में देखता है, पहले यह जाँचता है कि क्या आप बीमार हैं, और फिर (केवल यदि आप हैं) यह जाँचता है कि आप कितने बीमार हैं। इस स्वाभाविक, चरण-दर-चरण तर्क का पालन करके, AI जानता है कि स्कैन कब रोकना है, जिससे सटीकता खोए बिना समय और पैसे की भारी बचत होती है।

यहाँ शोध पत्र "Active Sampling for MRI-based Sequential Decision Making" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मैग्नेटिक रेजोनेंस इमेजिंग (MRI) एक उत्कृष्ट नैदानिक उपकरण है, लेकिन उच्च लागत, जटिलता और लंबे अधिग्रहण समय के कारण यह पॉइंट-ऑफ-केयर (PoC) सेटिंग्स में सीमित है। जबकि लो-फील्ड MRI सिस्टम एक पोर्टेबल समाधान प्रदान करते हैं, वे कम इमेज क्वालिटी से ग्रस्त होते हैं। इस समस्या को हल करने के लिए, शोधकर्ताओं ने एक्टिव सैंपलिंग (विशिष्ट k-स्पेस लाइनों को गतिशील रूप से चुनना) और डायरेक्ट इन्फरेंस (पूर्ण इमेज पुनर्निर्माण के बिना सीधे अंडरसैम्प्ल्ड k-स्पेस से निदान करना) की खोज की है।

हालाँकि, मौजूदा विधियाँ आमतौर पर एक एकल नैदानिक उद्देश्य (जैसे, केवल रोग का पता लगाना या गंभीरता का परिमाण निर्धारण) के लिए सैंपलिंग को अनुकूलित करती हैं या कई उद्देश्यों को स्वतंत्र रूप से मानती हैं। यह नैदानिक निदान की स्वाभाविक क्रमिक प्रकृति (sequential nature) की अनदेखी करता है: एक रेडियोलॉजिस्ट पहले यह निर्धारित करता है कि क्या कोई बीमारी मौजूद है, और केवल यदि सकारात्मक हो, तो ही वह उसकी गंभीरता का आकलन करने की ओर बढ़ता है। यह शोध पत्र इस शोध अंतराल को संबोधित करता है: क्या एक एकल सक्रिय सैंपलिंग पॉलिसी को कुशल तरीके से क्रमिक नैदानिक कार्यों (पहचान के बाद गंभीरता का आकलन) को संभालने के लिए सीखा जा सकता है, जो सैंपलिंग आवश्यकताओं को और कम करने के लिए कार्यों के बीच सहसंबंधों का लाभ उठा सके?

2. कार्यप्रणाली (Methodology)

लेखक एक नया मल्टी-ऑब्जेक्टिव रीइन्फोर्समेंट लर्निंग (MORL) फ्रेमवर्क प्रस्तावित करते हैं जो क्रमिक निदान को एक गतिशील सैंपलिंग पॉलिसी के साथ एकल स्कैनिंग सत्र के रूप में मानता है।

A. फ्रेमवर्क आर्किटेक्चर (Framework Architecture)

सिस्टम एक क्लोज्ड-लूप प्रक्रिया (एल्गोरिदम 1) के रूप में कार्य करता है:

इनिशियलाइज़ेशन (Initialization): कम, यादृच्छिक रूप से चुनी गई k-स्पेस लाइनों के उपसमूह के साथ शुरू होता है।
फीचर एक्सट्रैक्शन (Feature Extraction): दो प्री-ट्रेन्ड क्लासिफायर (एक डिजीज क्लासिफायर $f_d$ $f_{d}$ और एक सीवेरिटी क्लासिफायर $f_s$ $f_{s}$ ) वर्तमान अंडरसैम्प्ल्ड k-स्पेस डेटा को प्रोसेस करते हैं।
- $f_d$ को उपस्थिति/अनुपस्थिति का पता लगाने के लिए सभी डेटा पर प्रशिक्षित किया गया है।
- $f_s$ को केवल रोगग्रस्त डेटा का उपयोग करके $f_d$ से फाइन-ट्यून किया गया है ताकि गंभीरता को मापा जा सके।
- दोनों नेटवर्क्स से हाई-लेवल फीचर मैप्स निकाले जाते हैं और एजेंट के आंतरिक स्टेट को बनाने के लिए उन्हें स्टैक किया जाता है।
एक्टिव सैंपलिंग पॉलिसी (Active Sampling Policy): एक पॉलिसी नेटवर्क ( $\pi_\phi$ ) इन फीचर्स को इनपुट के रूप में लेता है और अगली k-स्पेस लाइन का चयन करता है।
पुनरावृत्ति (Iteration): नई लाइन को k-स्पेस मास्क में जोड़ा जाता है, भविष्यवाणियाँ अपडेट की जाती हैं, और यह प्रक्रिया तब तक दोहराई जाती है जब तक कि बजट पूरा न हो जाए या कॉन्फिडेंस थ्रेशोल्ड तक न पहुँच जाए।
क्रमिक तर्क (Sequential Logic): यदि डिजीज क्लासिफायर "कोई बीमारी नहीं" (No Disease) की भविष्यवाणी करता है, तो गंभीरता का आकलन छोड़ दिया जाता है (इसे "लागू नहीं" के रूप में रिपोर्ट किया जाता है)।

B. लेक्सिकोग्राफिक ऑर्डरिंग के साथ मल्टी-ऑब्जेक्टिव रिवॉर्ड (Multi-Objective Reward with Lexicographic Ordering)

इनका मुख्य नवाचार एक स्टेप-वाइज वेटिंग रिवॉर्ड फंक्शन है जो क्लिनिकल वर्कफ़्लो के क्रम को लागू करता है:

चुनौती: डिटेक्शन और सीवेरिटी के रिवॉर्ड को सीधे जोड़ने से नैदानिक निर्भरता (यदि बीमारी मौजूद नहीं है तो गंभीरता अप्रासंगिक है) और अस्थायी प्राथमिकता (पहले पहचानें, फिर मात्रा निर्धारित करें) की अनदेखी होती है।
समाधान: लेखक समस्या को लेक्सिकोग्राफिक ऑर्डरिंग का उपयोग करके तैयार करते हैं। स्टेप $t$ पर रिवॉर्ड $r_t$ एक भारित योग (weighted sum) है:
$r_t = w_{disease}(t) \cdot r_d(t) + w_{severity}(t) \cdot r_s(t)$
डायनेमिक वेटिंग (Dynamic Weighting): वेट $w(t)$ $w (t)$ को कोसाइन इंटरपोलेशन का उपयोग करके सैंपलिंग स्टेप्स के दौरान समायोजित किया जाता है।
- शुरुआती चरण: डिजीज डिटेक्शन पर उच्च भार ( $w_{disease} \approx 1$ )।
- बाद के चरण: भार सुचारू रूप से गंभीरता के परिमाण निर्धारण की ओर संक्रमण करता है ( $w_{severity} \to 1$ )।
- गेटिंग (Gating): यदि डिजीज प्रेडिक्शन नेगेटिव है, तो सीवेरिटी रिवॉर्ड को शून्य कर दिया जाता है, जिससे स्वस्थ विषयों के लिए गंभीरता पर सैंपल खर्च करने से बचाव होता है।

C. ट्रेनिंग स्ट्रैटेजी (Training Strategy)

पॉलिसी ग्रेडिएंट (Policy Gradient): पॉलिसी को ग्रिडी एक्शन सिलेक्शन के साथ पॉलिसी ग्रेडिएंट विधि का उपयोग करके अनुकूलित किया जाता है।
पैरेलल एक्विजिशन (Parallel Acquisition): ट्रेनिंग के दौरान, एजेंट ग्रेडिएंट को कुशलतापूर्वक अनुमानित करने के लिए समानांतर में $q$ कैंडिडेट लाइन्स को सैंपल करता है, और फिर इन्फरेंस के दौरान एक लाइन निष्पादित करता है।
रिवॉर्ड कैलकुलेशन (Reward Calculation): रिवॉर्ड्स ग्राउंड ट्रुथ के सापेक्ष क्लासिफिकेशन एक्यूरेसी में सुधार (क्रॉस-एन्ट्रॉपी लॉस में कमी) पर आधारित होते हैं।

3. मुख्य योगदान (Key Contributions)

क्रमिक एक्टिव सैंपलिंग (Sequential Active Sampling): यह एक ऐसे फ्रेमवर्क की शुरुआत करता है जो सक्रिय k-स्पेस सैंपलिंग का उपयोग करके एकल MRI स्कैनिंग सत्र के भीतर क्रमिक नैदानिक निर्णय (डिटेक्शन $\to$ सीवेरिटी) करता है।
लेक्सिकोग्राफिक रिवॉर्ड मैकेनिज्म (Lexicographic Reward Mechanism): यह कोसाइन इंटरपोलेशन के साथ एक स्टेप-वाइज वेटिंग स्ट्रैटेजी पेश करता है जो क्लिनिकल वर्कफ़्लो की नकल करता है, यह सुनिश्चित करता है कि पॉलिसी गंभीरता के परिमाण निर्धारण से पहले रोग का पता लगाने को प्राथमिकता दे।
पेशेंट-लेवल अडैप्टेशन (Patient-Level Adaptation): पॉलिसी अंडरसैम्प्ल्ड डेटा से निकाले गए व्यक्तिगत रोगी फीचर्स के आधार पर सैंपलिंग ट्रेजेक्टरीज को अनुकूलित करती है, न कि फिक्स्ड पॉपुलेशन-लेवल पैटर्न का उपयोग करती है।
दक्षता (Efficiency): यह प्रदर्शित करता है कि एक एकल पॉलिसी कई सिंगल-टास्क पॉलिसियों की तुलना में बेहतर या उनके बराबर प्रदर्शन कर सकती है और साथ ही आवश्यक k-स्पेस लाइनों की संख्या को काफी कम कर सकती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस फ्रेमवर्क का मूल्यांकन fastMRI Knee dataset पर दो कार्यों के लिए किया गया था: ACL स्प्रेन डिटेक्शन और कार्टिलेज थिकनेस लॉस असेसमेंट।

बेसलाइन्स के विरुद्ध प्रदर्शन (Performance vs. Baselines):
- प्रस्तावित वेटेड पॉलिसी (Weighted Policy) ने केवल 10-15% k-स्पेस डेटा का उपयोग करके फुली सैंपलड (ओरेकल) बेसलाइन्स के प्रतिस्पर्धी नैदानिक प्रदर्शन (AUC और बैलेंस्ड एक्यूरेसी) प्राप्त किया।
- इसने पॉलिसी रिकंस्ट्रक्शन (Policy Recon) और पॉलिसी क्लासिफायर (Policy Classifier) बेसलाइन्स को, विशेष रूप से क्रमिक नैदानिक कार्यों में, पीछे छोड़ दिया।
- महत्वपूर्ण रूप से, मल्टी-ऑब्जेक्टिव पॉलिसी ने सिंगल-टास्क प्रदर्शन से समझौता नहीं किया; यह व्यक्तिगत उप-कार्यों पर मूल्यांकन किए जाने पर भी सिंगल-टास्क पॉलिसियों के बराबर या उससे बेहतर रही।
सैंपलिंग दक्षता (Sampling Efficiency):
- ACL स्प्रेन: प्रस्तावित विधि ने स्टेप 13 (AUC 0.886) पर प्रदर्शन पठार (plateau) प्राप्त किया, जबकि रिकंस्ट्रक्शन-आधारित बेसलाइन को स्टेप 72 (AUC 0.727) की आवश्यकता थी।
- कार्टिलेज लॉस: आवश्यक सैंपलिंग स्टेप्स में इसी तरह की महत्वपूर्ण कमी देखी गई।
- समय की बचत: सिमुलेशन बताते हैं कि एक विशिष्ट अनुक्रम के लिए स्कैन समय को ~44,000 ms (पॉलिसी रिकंस्ट्रक्शन) से घटाकर ~16,000 ms (वेटेड पॉलिसी) किया जा सकता है, जो PoC के लिए एक महत्वपूर्ण लाभ है।
सुरक्षा और जोखिम (Safety and Risk):
- 10% सैंपलिंग पर, डिजीज मिस रेट 15.73% था (ओरेकल के 14.04% के मुकाबले), जो कि नगण्य वृद्धि है।
- सीवेरिटी ओवरएस्टिमेशन में उल्लेखनीय कमी आई (4.89% बनाम ओरेकल का 20.59%), जो दर्शाता है कि यह विधि अनावश्यक उपचार की ओर ले जाने वाले झूठे अलार्म के खिलाफ अधिक सुरक्षित है।
एब्लेशन स्टडीज (Ablation Studies):
- ट्रांजिशन वेट (Transition Weight): कोसाइन इंटरपोलेशन के साथ अर्ली ट्रांजिशन ( $\beta=0.2$ ) ने लीनियर या नो-ट्रांजिशन रणनीतियों की तुलना में बेहतर प्रदर्शन किया, जो क्रमिक रिवॉर्ड संरचना के महत्व की पुष्टि करता है।
- क्लासिफायर बायस (Classifier Bias): सिस्टम बायस्ड प्री-ट्रेन्ड क्लासिफायर्स के प्रति संवेदनशील है, जो मजबूत रिवॉर्ड मॉडल की आवश्यकता को रेखांकित करता है।
- पैरेलल सैंपल्स: $q=8$ ने ट्रेनिंग कन्वर्जेंस स्पीड और कम्प्यूटेशनल कॉस्ट के बीच सबसे अच्छा संतुलन प्रदान किया।

5. महत्व और प्रभाव (Significance and Impact)

PoC MRI को आगे बढ़ाना: आवश्यक k-स्पेस सैंपल्स की संख्या (और इस प्रकार स्कैन समय) को नाटकीय रूप से कम करके, जबकि उच्च नैदानिक सटीकता बनाए रखते हुए, यह कार्य MRI को पोर्टेबल, लो-फील्ड और आपातकालीन पॉइंट-ऑफ-केयर अनुप्रयोगों के लिए अधिक व्यवहार्य बनाता है।
क्लिनिकल वर्कफ़्लो संरेखण: पिछले "ब्लैक बॉक्स" मल्टी-टास्क मॉडलों के विपरीत, यह फ्रेमवर्क रेडियोलॉजिस्ट के क्रमिक तर्क (डिटेक्शन $\to$ क्वांटिफिकेशन) को स्पष्ट रूप से मॉडल करता है, जिससे अधिक कुशल डेटा एक्विजिशन रणनीतियाँ मिलती हैं।
डायरेक्ट इन्फरेंस पैराडाइम: यह इमेज रिकंस्ट्रक्शन से सीधे k-स्पेस इन्फरेंस की ओर बदलाव को पुख्ता करता है, यह सिद्ध करता है कि यदि सैंपलिंग स्ट्रैटेजी बुद्धिमानी से अनुकूलित की जाए, तो न्यूनतम डेटा के साथ नैदानिक निर्णय लिए जा सकते हैं।
भविष्य का हार्डवेयर: यह कार्य क्लोज्ड-लूप, रियल-टाइम MRI स्कैनर्स के लिए एक प्रूफ-ऑफ-कांसेप्ट के रूप में कार्य करता है जो मध्यवर्ती नैदानिक आत्मविश्वास के आधार पर डायनेमिक रूप से एक्विजिशन ट्रेजेक्टरीज को समायोजित कर सकते हैं।

संक्षेप में, यह शोध पत्र एक मजबूत MORL फ्रेमवर्क प्रस्तुत करता है जो जटिल बहु-चरणीय नैदानिक निदान और तीव्र, कम लागत वाले MRI अधिग्रहण की बाधाओं के बीच के अंतर को सफलतापूर्वक पाटता है, जो स्मार्ट, तेज़ और अधिक सुलभ मेडिकल इमेजिंग के लिए एक मार्ग प्रदान करता है।