用核磁共振成像（MRI）掃描大腦會產生許多2－D的“切片”，可以合成構建大腦的3－D演示。中風患者往往會在醫院進行腦部掃描，這樣醫生才能夠找出和確認受損的位置和區域。如果進行大腦的高分辨率掃描通常需要30分鐘，但在中風的情況下，這個時間太長了。因而，通常醫院接收中風患者時，會進行快速腦部掃描。這種快速掃描切片間的間隔為7mm，而高端科學研究中通常會以間隔1mm進行切片掃描。醫生會從這些掃描圖像中對中風的影響進行分析，但是往往這種快速臨床掃描的分辨率過低，使得很多用于輔助分析的計算機算法難以進行。

　　“這些圖像是獨一無二的，因為它們是當患者由于中風入院時，在臨床實踐中獲得的，”MIT電氣工程和計算機科學教授Polina Golland說，“這樣的研究是你難以籌劃的。”

　　人工智能讓原本分辨率極低的圖片，變得清晰（圖片來源：MIT）

　　這些來自醫院臨床的中風掃描是大量數據財富，為了幫助科學家們更好的利用這些掃描圖像，來自MIT的研究團隊協同麻省總醫院的醫生和其他的機構，開發了一種提高這些掃描質量的方法，這樣就可以將這些臨床數據用于大規模的中風研究。通過這些掃描，研究人員可以研究遺傳因素是如何影響中風存活率以及患者對不同的治療方案是如何響應的。他們也可以通過這個途徑去研究一些其他的疾病，例如阿茲海默病。

　　填補數據

　　對于中風患者的臨床掃描，成像由于掃描的時間限制會快速的進行，掃描的“切片”非常的稀疏，意味著成像的切片有著5－7mm的間隔。（片內分辨率為1mm）

　　MIT電氣工程和計算機科學教授Polina Golland（圖片來源：MIT）

　　對于科學研究，研究人員通常要獲得更高分辨率的成像，切片之間的間隔只有1mm，這需要掃描更長的時間。科學家們開發了專門的計算機算法來分析這些成像，但是這些算法在低質量的醫院掃描成像上就不是那么適用了。

　　MIT的研究人員與來自麻省總醫院和其他醫院的研究人員共同合作，他們對如何利用這些大量的患者掃描圖像非常的有興趣。相對于那些小范圍的高質量掃描研究，這些豐富的臨床資源可以允許他們從中學到更多的東西。

　　他們共同開發了一種新方法，從基本上填補每個患者掃描中缺少的數據，通過從整個掃描集合獲取信息并使用它來重新創建其他掃描中缺少的解剖特征來完成。

　　Golland說：“關鍵的概念是生成解剖學上合理的圖像，用算法使之看起來像是那些研究掃描，并且與獲得的臨床圖像完全一致。一旦你這樣做，你可以應用所開發的最先進的算法，用于獲得漂亮的研究成像，并如同科研圖像一般運行相同的分析，并得到結果。”

　　普通MRI圖片的一大局限在于分辨率（圖片來源：MIT）

　　一旦生成了這些科研質量的圖像，研究人員就可以運行一組旨在幫助分析解剖特征的算法，包括切片的對齊以及稱為頭骨剝離的過程——除去除大腦以外的其他結構成像。

　　在整個過程中，算法會跟蹤哪些像素來自原始掃描，以及之后填充哪些像素，以便稍后進行的分析。例如測量腦損傷的程度這樣的分析，則只能在原始掃描的信息上進行。

　　“從某種意義上說，這是一個支架，可以讓我們將圖像放入集合中，就如同它是一個高分辨率的圖像，然后只對我們擁有信息的像素進行測量，”Golland說。

　　更高質量

　　麻省理工學院的團隊開發出了這種用于增強低質量圖像的技術，現在，他們計劃將其應用于來自包括12間醫院在內的大約4，000次中風成像掃描。

　　“了解對白質造成的損傷的空間模式，有助于我們更詳細地了解疾病如何與認知能力相互作用，以及從腦卒中恢復的能力等等，”Golland指出。

　　研究人員還希望將此技術應用于其他腦部疾病患者的掃描。

　　人工智能將改變我們對疾病的治療（圖片來源：SiliconANGLE）

　　“它打開了很多有趣的方向，”Golland說，“在日常醫療實踐中獲得的圖像可以給出解剖學洞察力，因為我們將質量提升到了算法可以分析的程度。”