MRF-Mixer es un nuevo método de aprendizaje profundo para la reconstrucción de huellas dactilares por resonancia magnética (MRF), que ofrece un procesamiento 200 veces más rápido (0.35 s en CPU y 0.3 ms en GPU) y una precisión 40% mayor (menor MAE) que la coincidencia de diccionarios. Desarrolla un enfoque impulsado por simulaciones utilizando perceptrones multicapa de valores complejos y redes neuronales convolucionales para procesar eficientemente los datos de MRF, permitiendo la generalización a través de parámetros de secuencia y adquisición y eliminando la necesidad de extensos datos de entrenamiento in vivo. La evaluación en datos simulados e in vivo mostró que MRF-Mixer supera a la coincidencia de diccionarios y a los métodos de aprendizaje profundo existentes para el mapeo de T1 y T2. En simulaciones de seis disparos, logró el PSNR más alto (T1: 33.48, T2: 35.9) y SSIM (T1: 0.98, T2: 0.98) y el MAE más bajo (T1: 28.8, T2: 4.97) y RMSE (T1: 72.9, T2: 13.67). Los resultados in vivo demuestran además que las reconstrucciones de un solo disparo utilizando MRF-Mixer igualaron la calidad de las adquisiciones de múltiples disparos, destacando su potencial para reducir los tiempos de escaneo. Estos hallazgos sugieren que MRF-Mixer permite un mapeo tisular multiparamétrico más rápido y preciso, mejorando sustancialmente la RMN cuantitativa para aplicaciones clínicas al reducir el tiempo de adquisición mientras se mantiene la calidad de imagen.