A AiCE foi treinada em vastas quantidades de imagens de RM de alta SNR reconstruídas com um algoritmo avançado que é muito intensivo em termos computacionais para uso clínico. Este treinamento ensinou a AiCE a distinguir o sinal verdadeiro do ruído. Os resultados foram validados por uma equipe de radiologistas, físicos clínicos, cientistas de IA, e pesquisadores clínicos, produzindo um algoritmo de reconstrução rápido e totalmente treinado, pronto para uso clínico.

A DCNN aprende quais métodos são mais bem aplicados para manter a resolução espacial e as propriedades de ruído baixo contidas em imagens de RM de SNR alta. Quanto mais variações de dados fornecidas durante o treinamento, melhor será o desempenho do algoritmo final em termos de qualidade da imagem e velocidades de processamento.

A DCNN essencialmente se programa na medida em que aprende, para se tornar mais precisa e mais eficiente com cada nova tarefa de treinamento. O treinamento é monitorado por um engenheiro com experiência em IA e DCNN, que pode variar algumas condições operacionais para assegurar que os desempenhos máximos sejam alcançados.

Em seguida o software passa por uma importante validação, onde são fornecidos somente dados de baixa qualidade para a reconstrução com base no que ele aprendeu. As imagens-alvo de alta qualidade não devem ser conhecidas da DCNN e são utilizadas pelo engenheiro de IA para avaliar a precisão e o desempenho com base em diversas métricas de qualidade de imagem. Uma vez validada, a rede neural é embalada no desempenho máximo, onde ela contém todo o conhecimento exigido para realizar uma reconstrução avançada de qualidade a partir de virtualmente qualquer variação de tamanho de paciente.

As imagens a seguir demonstram a subtração do ruído da mesma imagem original com o uso de um filtro convencional, em comparação à AiCE. Com o filtro convencional, algumas informações anatômicas necessárias foram removidas junto com o ruído; a AiCE identifica, de maneira inteligente, o ruído da imagem original em virtude dos algoritmos de deep learning.

A AiCE possibilita a redução do ruído no centro da imagem, que está diretamente relacionada às técnicas de imagiologia paralelas. A AiCE pode reduzir, de maneira adaptativa, o ruído não uniforme descrito por um fator g na imagiologia paralela.