A Comparative Evaluation of 7T MRI for Epilepsy with Deep-Learning-Based Image Reconstruction and Dynamic Parallel Transmission [ULTRA-HIGH-FIELD MRI/IMAGING OF EPILEPSY/DEMYELINATING DISEASES/INFLAMMATION/INFECTION]

追求極致解析度往往意味著漫長的掃描時間，但在 7T 癲癇造影中這項物理限制已被打破——將全套掃描時間硬生生壓縮至不到 25 分鐘，甚至讓立體像素體積縮小 57.8%。這代表過去因假影與時間成本難以普及的超高場強設備，透過深度學習重建，正式跨越常規臨床門檻。

突破 7T MRI 在癲癇造影的 B1+ 不均勻與時間限制

超高磁場 7T MRI（7 Tesla 磁振造影）在癲癇影像學中一直具備無可取代的地位。對於那些在常規 3T 影像上呈現陰性（MRI-negative）的頑固型癲癇患者，7T 掃描往往能捕捉到極其微小的發育不良（Focal Cortical Dysplasia, FCD）或海馬迴硬化結構。然而，這項技術在各大醫學中心的推廣卻面臨兩個極度棘手的障礙：首先是 B1+ field（射頻傳輸磁場，7T 下極易不均勻產生暗區）的極度不均勻性，特別是在顳葉下方與小腦區域，常會出現嚴重的訊號低下；其次是為了達到足夠的訊號雜訊比（SNR）與解析度，整體掃描時間極其漫長。

現行的 7T 癲癇工作小組（7T Epilepsy Task Force）所建議的標準造影流程，通常需要耗費高達 50 分鐘的掃描時間。對於容易因癲癇發作或焦躁而產生移動的病患來說，近一小時的幽閉空間檢查不僅折磨，更會因為輕微的移動假影毀掉所有高解析度帶來的優勢。為了解決這個困境，本篇研究引入了兩個革命性的影像工程進展。

作者將焦點轉向動態平行傳輸技術（dynamic pTx，多通道獨立發射射頻訊號以消除暗點）與基於深度學習的影像重建（DL-based recon，在 k-space 進行去噪的卷積網路）。這兩項技術的結合，在理論上能夠同時修正磁場不均勻的問題，並將原本必須耗費在訊號平均（averaging）上的時間大幅釋放出來，轉化為更高的空間解析度。這份來自 AJNR 的最新文獻，正是為了驗證這套經過全面升級的 7T 癲癇造影排程，是否能在真實的臨床運作中取代傳統的耗時方案。

納入 80 位癲癇患者對比標準與強化 7T 掃描排程

從 Methods 的具體設計來看，研究團隊採用了回溯性的對比分析，收集了總共 80 位連續接受 7T 腦部 MRI 掃描的癲癇患者。這 80 位患者被平均分為兩個世代（cohorts）：其中 40 位患者接受的是傳統標準的 7T 癲癇造影排程，而另外 40 位患者則接受了導入最新技術的「強化版 7T 排程」（enhanced protocol）。

強化版排程的核心改變在於全面啟用了動態平行傳輸（dynamic parallel transmission）以及深度學習 k-space 重建演算法。為了客觀評估兩種排程的優劣，作者設定了幾個關鍵的量化指標（Quantitative metrics）。首先是影像雜訊（image noise）的量測；其次是評估整體訊號均勻度的變異係數（coefficient of variation, CV），藉此來檢視 B1+ 假影是否真的被消弭；最後則是放射科醫師最在意的解析度與時間折衷（resolution/time trade-offs）。

值得注意的是，這項研究並不僅僅停留在單一序列的優化，而是針對癲癇評估中最核心的各種對比權重進行了全面翻修。這包含負責凸顯灰白質交界的序列、尋找發炎與水腫的序列，以及專注於微小出血與鈣化偵測的序列。透過多重序列的量化數據並排對比，研究團隊試圖回答一個極具挑戰性的問題：我們能否在不犧牲影像品質的前提下，把 7T 掃描時間縮短一半以上？

解析 57.8% 體積縮減與 T2 降噪 25.7% 的關鍵數據

將焦點拉到 Results 中最引人矚目的數據表現，強化版排程在解析度、時間縮減與雜訊控制上展現了驚人的平衡。首先，在負責精細解剖結構的 EDGE（邊緣增強梯度回波，透過相位資訊凸顯皮質邊界）以及 MP2RAGE（具兩次反轉的磁化準備快速梯度回波，擅長灰白質對比）序列上，研究團隊成功將立體像素（voxel）的體積大幅縮減了 57.8%。

在常規的物理法則中，體素縮小 57.8% 必然伴隨著 SNR 的崩潰，但拜深度學習重建之賜，這兩個序列的掃描時間不僅同步減少了 33.0%，影像的均勻度甚至獲得了顯著改善（P = .002）。更令人振奮的是，在如此極端的解析度提升與時間壓縮下，影像雜訊並沒有產生統計上的顯著增加（P = 0.09）。這意味著深度學習演算法完全吸收了高解析度帶來的雜訊代價，讓放射科醫師能以更快的速度看到更細緻的皮質厚度變化。

在冠狀切面的 T2 TSE（快速自旋回波）序列中，深度學習重建的介入更是直接將影像雜訊降低了 25.7%（P < .001）。此外，過去為了對抗 B1+ 不均勻，放射師常需要在病患頭部兩側放置高介電墊（dielectric pads，傳統放在頭旁改善磁場的實體水袋）；而本研究證實，運用患者專屬的 B1+ shimming（針對個體微調的平行傳輸射頻場）所達到的影像均勻度，已經完全可以媲美實體的介電墊，大幅簡化了患者的擺位流程並提升舒適度。

空間 FLAIR 序列的翻轉角優化與 SWI 掃描時間減半

進一步檢視次群組與特定序列的表現，我們可以發現深度學習與平行傳輸在不同對比機制下的協同效應。對於癲癇影像而言，FLAIR（流體衰減反轉恢復序列）是偵測海馬迴硬化與皮質發育不良的高亮訊號指標。研究團隊採用了 SPACE FLAIR 序列，並針對不同翻轉角演化（different flip angle evolutions）進行應用優化。結果顯示，這套優化後的 FLAIR 序列不僅顯著降低了雜訊（P < .001），整體訊號均勻度也獲得了極佳的提升（P < .001）。最關鍵的是，它的立體像素尺寸硬生生縮減了一半，同時維持了與過去相近的掃描時間。

在尋找皮質下結節、海綿狀血管瘤或微小鈣化的應用上，磁化率加權影像扮演著不可或缺的角色。本研究測試了結合深度學習的 EPI SWI（回波平面磁化率加權影像，加速微小出血偵測）序列。傳統高解析度 SWI 在 7T 下往往曠日廢時，但強化版排程將其獲取時間驚人地改善了 56.5%。更難得的是，在掃描時間大幅減半的情況下，影像雜訊不僅沒有上升，反而降低了 20.5%（P = .001）。

這些數據的背後隱藏著一個重要的臨床優勢：無論是針對局部對比的提升，還是整體影像的平滑度，各序列的 P 值都呈現高度的統計顯著性。這代表深度學習在 k-space 的運算，並不是單純的影像後處理模糊化（blurring），而是真正在數據擷取端就補足了失去的訊號，讓高頻邊緣細節得以在極短的時間內被完整保留下來。

低於 25 分鐘的臨床實作潛力與假影評估之限制

綜合上述所有的序列強化，這項研究達成了 7T 癲癇造影的重大里程碑——在解析度大幅提升且全面啟用了平行傳輸功能的前提下，整套綜合評估排程的總掃描時間被壓縮到了 25 分鐘以內。這個數字正好是 7T 癲癇工作小組過去建議時長（約 50 分鐘）的二分之一。這不但大大降低了患者因為長時間平躺不適所引發的移動假影機率，更讓 7T MRI 的排程吞吐量（throughput）具備了與常規 3T 競爭的實力。

然而，作者在 Discussion 中也坦承了本研究的適用邊界。首先，這是一項回溯性且受試者數量相對有限的單中心驗證（各 40 例的對比組）。其次，本研究主要依賴客觀的量化指標（如訊號變異係數與雜訊比）來定義影像品質的提升，但尚未進行大規模的盲測（blinded read），無法直接宣稱這套排程能在最終的「病灶檢出率」或「手術預後準確度」上產生多大百分比的實質飛躍。深層學習重建在極端雜訊下是否會產生細微的結構性幻覺（hallucinations），仍需在後續的臨床判讀中保持警覺。

對於一線的放射科醫師而言，這篇文獻提供了一個極具操作性的指引。當我們在臨床上遇到 3T 影像無法解釋的局部癲癇放電時，過去或許會因為 7T 排程困難或患者不配合而卻步；如今，我們有充分的數據基礎可以相信，運用 pTx 搭配 DL 重建的 25 分鐘排程，已經足以穩定地揪出那些隱藏在灰白質交界處的微小發育異常。

明天起，當面對 3T 找不到病灶的頑固型癲癇，請大膽排入 25 分鐘內的深度學習強化 7T 排程，你不再需要向放射師妥協解析度與掃描時間。