Rezultati standardnega MRI (slikanje z magnetno resonanco) so večinoma kvalitativne narave, kar omejuje njihovo objektivnost in primerljivost. Čeprav so bili vloženi znatni napori v razvoj kvantitativnih tehnik, ki temeljijo na magnetni resonanci (MR), še vedno ne obstaja celovita karakterizacija teh inovativnih postopkov, potrebnih za njihovo vključitev v klinično prakso. Raziskovalni projekt "Kvantitativno slikanje fizičnih biomarkerjev na osnovi MR" (QUIERO: Kvantitativno slikanje omogoča ponovljive rezultate), ki ga financira Evropski meroslovni program za inovacije in raziskave (EMPIR/H2020), si prizadeva odpraviti to težavo. V projektu sodeluje šest nacionalnih meroslovnih inštitutov, dva klinična centra in tri univerze, namenjen pa je oceni primernosti dveh nastajajočih tehnik, ki temeljita na MR, da postaneta klinični orodji. Ti tehniki sta »Electric Properties Tomography« (EPT) in »Magnetic Resonance Fingerprinting« (MRF). Znotraj področja kvantitativne magnetne resonance sta bili EPT in MRF izbrani, ker sta obetavni tehniki, ki bi lahko imeli tudi sinergijsko uporabo. Dejansko namreč lahko parametre, izmerjene z EPT (dielektrična prepustnost in prevodnost) in MRF (relaksacijski časi magnetizacije), štejemo za biomarkerje v eni sami multiparametrični analizi. Poleg tega se preiskuje možnost izkoriščanja MRF kot učinkovite tehnike za zagotavljanje vhoda, ki ga zahteva EPT. V času trajanja projekta bosta EPT in MRF podvrženi popolni meroslovni karakterizaciji, s katero bo klinični skupnosti zagotovljena opredelitev njune zanesljivosti.
Poskusi na kliničnih MRI napravah se bodo izvajali najprej na referenčnih fantomih (vključno s 3D-natisnjenimi heterogenimi in antropomorfnimi strukturami), da bi pod nadzorovanimi pogoji ugotovili prispevke negotovosti, ki prihajajo iz merilnega procesa. V nadaljevanju projekta bosta opravljeni dve klinični študiji, ena osredotočena na možgane in druga na srce (kjer je posebna pozornost namenjena tehnikam kompenzacije gibanja, da bi povečali kakovost meritev ob prisotnosti dihanja in srčnega utripa). Zbrani klinični podatki bodo obdelani, da bi raziskali možnost odkrivanja patoloških nepravilnosti. Poleg tradicionalnih pristopov se bodo za učenje modelov za klinične sisteme za podporo odločanju uporabljale tudi metode umetne inteligence.