Obrazowanie dyfuzji metodą rezonansu magnetycznego jest ważnym elementem diagnozy, szczególnie w chorobach neurologicznych. Ze względu na sposób uzyskiwania kontrastu związanego z różnicami w dyfuzji różnych tkanek, obrazy dyfuzyjne charakteryzuje mniejszy stosunek sygnału do szumu niż w przypadku innych obrazów rezonansu magnetycznego. Artykuł Jakub Jurek, Andrzej Materka, Kamil Ludwisiak, Agata Majos, Kamil Gorczewski, Kamil Cepuch, Agata Zawadzka, Supervised denoising of diffusion-weighted magnetic resonance images using a convolutional neural network and transfer learning, Biocybernetics and Biomedical Engineering, 2023, opisuje metodę redukcji szumu w tych obrazach, opartą o transferowe uczenie sieci neuronowej. Wykorzystano model procesu obrazowania oraz cyfrowy model anatomiczny ludzkiego mózgu by otrzymać syntetyczne obrazy dyfuzyjne - w wersji z szumem i bez. Takie pary pozwoliły wytrenować model sieci neuronowej zdolny do redukcji szumu w rzeczywistych obrazach dyfuzyjnych, które na potrzeby eksperymentu zebrano we współpracy z grupą prof. Agaty Majos z Uniwersytetu Medycznego w Łodzi i przedstawicielami firmy Siemens.