DIRECT INFERENCE BASED ON UNDERSAMPLED MRI DATA OF INDUSTRIAL SAMPLES

Method for automated non-invasive identification of a predetermined feature in a multitude of industrial samples (102) of a predefined sample type, the method comprising the steps of: a) conveying an industrial sample (102) of the predefined sample type into an MRI scanner (106), b) recording in an MRI measurement for at least one slice or at least a partial volume of the industrial sample undersampled MRI data (300), comprising: - undersampled raw MRI data, comprising a multitude of time dependent signals for different phases, and/or - processed MRI data, obtained from processing undersampled raw MRI data, and c) analysing the undersampled MRI data (300) with an inference module (200) for identifying a predetermined feature of the industrial sample (102) using a machine learning module (204) that is trained for identifying the predetermined feature in industrial samples (102) of the predefined sample type from undersampled MRI data (300). L'invention concerne un procédé d'identification automatisée non invasive d'une caractéristique prédéterminée dans une multitude d'échantillons industriels (102) d'un type d'échantillon prédéfini, le procédé comprenant les étapes suivantes : a) le transport d'un échantillon industriel (102) du type d'échantillon prédéfini dans un appareil d'imagerie par résonance magnétique (IRM) nucléaire (106), b) l'enregistrement dans une mesure d'IRM pour au moins une tranche ou au moins un volume partiel de l'échantillon industriel de données d'IRM sous-échantillonnées (300), comprenant : des données d'IRM brutes sous-échantillonnées, comportant une multitude de signaux dépendant du temps pour différentes phases, et/ou des données d'IRM traitées, obtenues à partir du traitement de données d'IRM brutes sous-échantillonnées, et c) l'analyse des données d'IRM sous-échantillonnées (300) avec un module d'inférence (200) pour identifier une caractéristique prédéterminée de l'échantillon industriel (102) à l'aide d'un module d'apprentissage automatique (204) qui est formé pour identifier la caractéristique prédéterminée dans des échantillons industriels (102) du type d'échantillon prédéfini à partir de données d'IRM sous-échantillonnées (300).