در مقایسه با سایر روش‌های تصویربرداری مانند اشعه ایکس یا سی تی اسکن، اسکن MRI کنتراست بافت نرم با کیفیت بالایی را ارائه می‌دهد. متأسفانه، MRI به حرکت بیمار به هنگام عکس برداری بسیار حساس است، حتی کوچک‌ترین حرکات هم منجر به آرتیفکت تصویر می‌شود. این اختلالات در تصویر برداری باعث می‌شود جزئیات مهم از دید پزشک پنهان بماند و منجر به تشخیص نادرست یا درمان نامناسب شود. اخیراً محققان MIT روی یک مدل یادگیری عمیق که زیر مجموعه مفهوم یادگیری ماشین در هوش مصنوعی است کار می‌کنند که قادر به تصحیح آرتیفکت‌های حاصل از حرکت بیمار در تصویر برداری MRI است. بالینی سینگ، دانشجوی دکتری وابسته به کلینیک عبداللطیف جمیل و تحصل کرده دانشگاه هاروارد-MIT در علوم و فناوری بهداشت (HST) و نویسنده ارشد این مقاله توضیح می‌دهد: «حرکت یک مشکل رایج در MRI است.  جلسات MRI بسته به نوع تصاویر مورد نیاز می‌تواند از چند دقیقه تا یک ساعت طول بکشد. حتی در کوتاه‌ترین اسکن‌ها، حرکات کوچک می‌توانند تأثیرات شگرفی بر تصویر حاصل داشته باشند. برخلاف تصویربرداری دوربین، که در آن حرکت معمولاً به صورت تاری موضعی ظاهر می‌شود، حرکت در MRI اغلب منجر به بروز اختلالاتی می‌شود که می‌تواند کل تصویر را خراب کند. برای تصویر برداری ممکن است بیمار بیهوش شود و یا از او خواسته شود تنفس خود را کنترل کند تا حرکات به حداقل برسد. با این حال، بازم هم در تصویر برداری از برخی افراد خاص مثل کودکان و بیماران مبتلا به اختلالات روانی کار سخت است. این مقاله با عنوان «تصحیح حرکتی ام‌آرآی عمیق با داده‌ها» اخیراً جایزه بهترین ارائه شفاهی را در کنفرانس تصویربرداری پزشکی با یادگیری عمیق (MIDL) را دریافت کرد. این روش به صورت محاسباتی یک تصویر بدون حرکت از داده‌های خراب شده می‌سازد. سینگ می‌گوید: «هدف ما ترکیب مدل‌سازی مبتنی بر فیزیک و یادگیری عمیق برای به دست آوردن بهترین روش عکس برداری MRI است.

تهیه یک MRI عاری از ایراد حرکتی، به‌ویژه از بیماران مبتلا به اختلالات عصبی که باعث حرکت غیرارادی مانند آلزایمر یا بیماری پارکینسون می‌شوند بسیار مهم است. مطالعه‌ای از دپارتمان رادیولوژی دانشگاه واشنگتن تخمین زده است که حرکت بر 15 درصد از تصاویر MRI مغز تأثیر می‌گذارد. حرکت در همه انواع MRI که منجر به تکرار اسکن‌ها یا جلسات تصویربرداری برای به دست آوردن تصاویر با کیفیت کافی برای تشخیص می‌شود، تقریباً 115000 دلار هزینه بیمارستانی برای هر اسکنر در سال به همراه دارد.  سینگ می‌گوید نه تنها این یک کار تحقیقاتی عالی است، بلکه معتقدم این روش‌ها در انواع موارد بالینی مورد استفاده قرار خواهند گرفت: کودکان و افراد مسن که نمی توانند یک جا در اسکنر بنشینند، آسیب‌شناسی‌هایی که باعث حرکت می‌شوند، مطالعات بافت متحرک، حتی بیماران سالم. از نویسندگان مشترک این مقاله می‌توان به بالینی سینگ، نیل دی، مالت هافمن، بروس فیشل، الفار آدالشتاینسون، رابرت فراست، آدریان دالکا و پولینا گولند اشاره کرد. این تحقیق تا حدی توسط GE Healthcare و توسط سخت افزار محاسباتی ارائه شده توسط مرکز علوم زیستی ماساچوست پشتیبانی شده است.