Magnetic Resonance (MR) parameters mapping in muscle Magnetic Resonance Imaging (mMRI) is predominantly performed using pattern recognition-based algorithms, which are characterised by high computational costs and scalability issues in the context of multi-parametric mapping. Deep Learning (DL) has been demonstrated to be a robust and efficient method for rapid MR parameters mapping. However, its application in mMRI domain to investigate Neuromuscular Disorders (NMDs) has not yet been explored. In addition, data-driven DL models suffered in interpretation and explainability of the learning process. We developed a Physics Informed Neural Network called Myo-Regressor Deep Informed Neural NetwOrk (Myo-DINO) for efficient and explainable Fat Fraction (FF), water-T

Muscle diffusion tensor imaging has not yet been explored in facioscapulohumeral muscular dystrophy (FSHD). We assessed diffusivity parameters in FSHD subjects compared with healthy controls (HCs), with regard to their ability to precede any fat replacement or edema.