Deep Resolve Boost in 2D MRI for Neuroradiology: A Comparative Evaluation of Diagnostic Gains and Potential Risks [ORIGINAL RESEARCH]

雖然深度學習重建能將神經影像掃描時間大幅縮短，但代價可能比你想得更驚人：加速後的序列在高達 84.8% 的案例中憑空產生了全新的影像假影。我們總以為 AI 能完美消除雜訊並提升畫質，這份最新前瞻性研究卻無情點出，在追求極致掃描速度的同時，深部灰質與腦幹的解剖細節正在悄悄流失，甚至在 1.2% 的案例中直接導致微小病灶的判讀困難，顛覆了過往對於 AI 重建百利而無一害的既定印象。

2D神經影像加速的臨床拉扯與200例前瞻驗證

在目前的放射科臨床實務中，即便 3D 序列逐漸普及，2D 的 T2、TIRM（Turbo Inversion Recovery Magnitude）以及 FLAIR 序列依然是神經放射學的常規主力。然而，面對日益龐大的病患量與急診需求，如何縮短 2D 序列的擷取時間同時維持高解析度，一直是各家醫院面臨的重大挑戰。Deep Resolve Boost（結合原始數據與卷積神經網路的影像重建技術，簡稱 DRB）的問世，原本被寄予厚望能完美解決這個問題。DRB-ACC（DRB applied to accelerated acquisition）標榜能在極短時間內完成掃描，同時透過神經網路補足影像細節。

為了驗證這項技術在真實臨床環境的表現，研究團隊在 3T 磁振造影儀上進行了一項嚴密的單中心前瞻性觀察研究。這項研究共收錄了 200 位接受常規神經放射科 MRI 檢查的病患。為了排除機器設定或解剖變異的干擾，研究設計採取了極為嚴格的對照方式。在同一趟掃描療程中，每位病患皆同時接受了標準常規 2D 序列以及 DRB-ACC 加速序列。所有的硬體條件包含使用的表面線圈、切面厚度、幾何定位皆完全一致，唯一的變數僅在於是否啟用高強度（high strength）的 DRB 加速模組。

從 Methods 的細節來看，這 200 位病患共產出了 256 組配對的 2D 序列。研究團隊不僅收集了影像，更安排了兩位具備豐富經驗的神經放射科醫師進行獨立的盲視判讀。他們使用標準化的李克特量表（Likert scale）針對四個核心維度進行評分：整體影像品質、特定解剖結構的清晰度、假影的嚴重程度，以及病灶的顯著性（conspicuity）。這種配對設計有效排除了不同病患間水腫程度或腦萎縮狀態對評估結果的干擾，確保了後續統計數據的高可信度。

若細究這 256 組配對序列的組成，其中涵蓋了各種常見的臨床適應症，包括腫瘤追蹤、腦血管疾病評估、多發性硬化症（Multiple Sclerosis）以及神經退化性疾病。這意味著評估的病灶種類涵蓋了從高對比的實質內腫瘤，到低對比、邊緣模糊的深部白質脫髓鞘斑塊。這種多樣化的病患結構，讓研究結果能高度貼近我們每天面對的日常閱片清單，而非僅限於特定疾病的實驗室數據。

95.7%畫質持平或提升背後的Table2數據評分

把焦點拉到 Results 中最引人注目的畫質評估部分。如果單純從宏觀的統計數字來看，DRB-ACC 的表現可謂極其亮眼。根據 Table 2 詳列的兩位醫師獨立評分結果，在所有加速取得的 DRB 序列中，高達 94.5% 的影像被評定為「良好（good）」或「尚可（fair）」等級，完全達到可供臨床診斷的標準。這證明了在常規的巨觀判讀上，高強度的深度學習網路確實能有效彌補因加速掃描而流失的 k-space 數據。

更令人振奮的是與標準序列的直接對決。Table 2 的配對比較顯示，高達 95.7% 的 DRB-ACC 序列在整體畫質上，表現得比傳統標準序列更好，或是至少維持相同的水平。這種畫質的提升，很大程度上歸功於深度學習模型強大的去雜訊（denoising）能力。傳統上，為了縮短 2D 掃描時間而減少訊號平均次數（NEX）時，影像會充滿顆粒狀的背景雜訊；而 DRB 技術卻能將這些雜訊抹除，使得整體影像看起來異常平滑且對比鮮明。

在放射科醫師最在意的病灶顯著性方面，數據同樣給予了高度的信心。高達 91.6% 的案例中，DRB 加速序列對病灶的描繪能力與標準序列完全一致。甚至在 7.2% 的特定案例中，醫師認為 DRB 序列上的病灶比傳統影像更為明顯。這 7.2% 的提升主要集中在 FLAIR 序列上的腦室旁白質病變（如微小的缺血性變化或發炎性斑塊）。因為背景雜訊被大幅抑制，高訊號的病灶在純黑的背景下顯得更為突出，有效降低了閱片時的視覺疲勞。

然而，高達九成五的整體畫質好評，卻也容易讓人產生過度信賴的錯覺。影像品質的評分往往是基於整體視覺感受（gestalt impression），平滑無雜訊的畫面極易在第一眼獲得高分。但對於神經放射科而言，沒有雜訊並不等同於解剖訊息完整。當深度學習模型過度介入像素的生成時，它雖然成功重建了腦部的大致輪廓與明顯的高對比病灶，但那些需要極高空間解析度與真實物理訊號支撐的微細結構，是否也在平滑化的過程中被悄悄犧牲了？這正是後續數據需要深入檢視的關鍵。

84.8%新增假影與Figure2標示的腦幹解剖盲區

正當我們準備為 DRB 技術的極致加速與優異畫質喝采時，論文中關於假影（artifacts）的統計數據卻猶如一盆冷水澆下。根據獨立判讀結果，加速後的 DRB 序列在 27.3% 的案例中出現了比傳統序列更為明顯的既有假影；更驚人的是，有高達 84.8% 的 DRB 序列憑空出現了標準序列上完全不存在的新增假影。這些由演算法生成的非物理性假影，成為了這項技術應用上最大的隱患。

若仔細觀看 Figure 2 所標示的假影分布熱區圖，可以發現這些新增的干擾並非隨機散布，而是高度集中在特定的解剖區域。最嚴重的受災區包含了腦幹周邊、深部灰質（如基底核與視丘）以及靠近腦脊髓液（CSF）搏動旺盛的腦室系統周圍。探究其背後的物理與演算法機制，這是因為深度學習模型在處理複雜的相位偏移（phase shifts）與生理性搏動時，容易將不規律的訊號誤判為結構特徵，進而生成過度平滑或如同水彩畫般的扭曲紋理。

這些假影的具體表現形式多種多樣。有時是橋腦前方出現類似血管流動的條紋狀高訊號，有時則是小腦蚓部（cerebellar vermis）的皮質邊緣呈現不自然的階梯狀鋸齒。對於不熟悉 AI 重建特性的年輕放射科醫師而言，這些位於深部結構的異常訊號，極易與早期的缺血性中風或小型的脫髓鞘病變混淆。84.8% 這個比例意味著，在日常閱片中，幾乎每一張 DRB 加速影像都會帶有程度不一的演算法「幻覺（hallucinations）」。

更棘手的是，這種 AI 生成的假影與我們熟知的傳統金屬假影或運動假影截然不同。傳統假影通常具有明確的方向性或破壞性的條紋，醫師一眼就能認出；但 DRB 產生的假影往往與周邊健康組織無縫接軌，呈現一種「看起來很自然但解剖上完全錯誤」的狀態。Figure 2 清楚展示了這種過度正則化（over-regularization）造成的結果，它使得腦幹內部的細微神經束對比完全消失，取而代之的是一片均勻卻毫無診斷價值的灰階區塊。

癲癇篩檢與後顱窩病灶在Table3次群組的劣化

為了更精確地評估解剖細節的流失程度，研究團隊在 Table 3 中針對不同腦部區域進行了次群組（subgroup）的解剖描繪度分析。數據顯示，在幕上大腦半球（supratentorial）的皮質與大型白質結構中，DRB-ACC 與標準序列的表現難分軒輊。但一旦將評估焦點轉移到結構複雜的關鍵區域，DRB 的劣勢便一覽無遺。其中，海馬迴（hippocampus）、腦幹（brainstem）與小腦（cerebellum）成為了細節劣化的三大重災區。

以海馬迴為例，Table 3 的次群組數據明確指出 DRB 序列在描繪海馬迴內部結構（internal architecture）的評分顯著低於傳統序列。在正常的 T2 影像上，海馬迴頭部應該能清晰看見指狀突起（digitations）以及內部灰白質交錯的細微條紋，這是診斷內側顳葉硬化症（mesial temporal sclerosis）的關鍵指標。然而在 DRB 高強度加速下，這些精細的條紋被演算法當作雜訊全數抹平，導致整個海馬迴呈現單一的灰色團塊，徹底摧毀了早期癲癇篩檢的診斷依據。

同樣的劣化也發生在後顱窩。在腦幹部分，區分橋腦被蓋（pontine tegmentum）與基底部的細微對比在加速序列中變得模糊不清；在小腦，原本應該根根分明的小腦葉（cerebellar folia）邊緣發生了融合現象，看起來就像是解剖結構被強制壓縮。雖然這類解剖模糊在 91.6% 的整體病灶描繪中並未造成重大影響，但在 1.2% 被評定為「病灶顯著性下降」的極端案例中，罪魁禍首正是這些位於腦幹與小腦的微小病變。

這 1.2% 的少數案例絕對不容忽視。當病患出現眩暈或複視，臨床懷疑有微小的延髓或橋腦急性梗塞時，病灶本身的 T2/FLAIR 高訊號可能極度微弱。傳統序列雖然帶有雜訊，但仍能保留真實的病灶對比；而在 DRB-ACC 序列中，這些微弱的真實病理訊號可能連同背景雜訊一起被 AI 濾波器消除，或者被高達 84.8% 發生率的深部假影所掩蓋。這種在特定次群組中因過度依賴演算法而導致的偽陰性風險，是全面常規化導入加速技術前必須正視的嚴肅課題。

日常閱片防禦策略與高強度DRB技術的排他條件

面對 DRB-ACC 帶來的大幅時間效益與伴隨而來的解剖失真，放射科必須建立一套清晰的適應症分流策略。作者在 Discussion 中坦承，本研究主要採用了「高強度（high strength）」的 DRB 設定以追求最大化的加速效果，這極有可能是導致高達 84.8% 新增假影與後顱窩細節劣化的主因。這意味著在未來的臨床應用中，我們不應將同一套高強度的 AI 加速參數一體適用於所有的神經影像檢查。

從實際營運的角度來看，對於大宗的常規檢查，例如失智症的年度腦室體積追蹤、大型腦膜瘤或膠質瘤的術後大小測量、或是非特異性頭痛的初步篩檢，DRB-ACC 展現了無可取代的優勢。它不僅能有效紓解掃描排程的壅塞，95.7% 的畫質提升也能提供極佳的巨觀視覺體驗。在這類不強求次毫米級解剖細節的任務中，全面啟用 DRB 加速是極具效益的營運決策。

但相對地，對於那些「解剖細節即是診斷命脈」的特定臨床情境，我們必須設立嚴格的排他條件。當開單醫師明確標註懷疑癲癇發作需要執行海馬迴精細掃描（epilepsy protocol）、懷疑顱神經病變需要觀看三叉神經或顏面神經根部、或是出現典型的腦幹症候群時，放射師應主動將 DRB 強度調降，甚至直接切回傳統的非加速 2D 序列。犧牲兩三分鐘的掃描時間，換取海馬迴指狀突起與橋腦內部結構的真實呈現，在這些高風險情境中是絕對必要的防禦性醫療作為。

隨著各大廠商陸續推出各類基於深度學習的重建技術，放射科醫師的角色已經從單純的影像判讀者，轉變為演算法行為的監督者。我們必須清楚認知到，每一張如同教科書般乾淨平滑的 AI 重建影像背後，都隱含著數學模型對原始數據的重新詮釋與取捨。唯有深刻了解這些技術在深部灰質與腦幹的先天侷限，我們才能在追求效率的同時，守住神經放射診斷的品質底線。

當面對失智追蹤或腫瘤大小評估時請盡情享受 AI 加速的紅利；但只要開單字眼出現「癲癇」、「眩暈」或「腦幹」，請立刻關閉高強度加速，別讓演算法的平滑濾波吃掉你賴以診斷的海馬迴與橋腦細節。