Response to Commentary on "Effects of Deep Learning-Based Reconstruction on the Quality of Accelerated Contrast-Enhanced Neck MRI".

AI 在加速頸部對比增強 MRI 時雖能消除多數呼吸假影，卻有 1 個無法忽視的盲點：血管搏動產生的假影非但不會消失，反而容易被演算法疊加在解剖結構上，產生真實訊號遭扭曲的風險。

頸部對比增強 MRI 掃描的 2 大動態挑戰

在放射科的日常排程中，頸部磁振造影無疑是最具挑戰性的檢查項目之一，主要原因在於這個區域充滿了無可避免的生理運動。病患在掃描過程中的吞嚥動作、規律或不規律的呼吸起伏，以及頸動脈與頸靜脈的強烈血管搏動，都會在影像上產生不同程度的射頻干擾與運動假影。當我們需要進行對比增強掃描時，為了捕捉顯影劑在病灶中的動態變化，掃描時間的縮短變得至關重要。為了達到加速掃描的目的，臨床上開始大量導入 DLR（神經網路輔助的高畫質重建）。此技術透過神經網路模型，在欠取樣數據中重建高解析度影像，藉此縮短掃描時間，減少因久躺累積的吞嚥或不自主運動。

從這篇發表於《Korean J Radiol》的作者回覆信函中，研究團隊針對同儕的回饋進行了深入探討。在先前的原始論文（文獻 [1] 與 [2]）中，研究結果明確顯示，DLR 確實能夠顯著提升容易受運動干擾區域的影像品質，讓整體解剖構造的邊界變得更加銳利。然而，正如同放射科醫師在日常閱片中所經歷的，AI 並非完美無缺。當我們過度依賴神經網路來填補未掃描到的 k-space（空間頻率數據）時，演算法可能會根據其訓練集中的權重，對某些不規則的假影進行錯誤的解讀。這種將假影誤認為真實解剖結構的現象，正是推動作者進一步釐清 AI 限制的核心動機。放射科同行必須了解，整體影像銳利度的主觀提升，並不完全等同於局部診斷準確度的客觀增加。

頸部大血管搏動假影與重疊區的訊號扭曲風險

在這份文獻的討論中，作者明確指出一個極少被廣泛報導的現象：DLR 會在特定的解剖重疊區域強化假影。當血管的搏動假影與周圍的軟組織、淋巴結或腫瘤發生空間上的重疊時，AI 模型有時無法分辨哪部分是真正的組織訊號，哪部分是血流造成的相位偏移。結果演算法可能會把這些假影當作真實邊緣強化，導致原本模糊的假影異常銳利，甚至模仿出類似病灶的輪廓。這種現象在對比增強序列中尤為明顯，因為顯影劑大幅提升了血管內的訊號強度，連帶使得搏動假影的振幅隨之增強，造成診斷上的干擾。

為了解釋這個現象，作者引用了文獻 [3]（Antun 等人）與文獻 [4]（Kiryu 等人）的關鍵研究結論，強烈提醒 DLR 帶有改變訊號或解剖結構的潛在風險。神經網路的運作邏輯是基於龐大數據的統計推論，而非純粹的物理方程式。當它遇到訓練數據中罕見的複雜重疊模式時，可能會產生過度平滑化或無中生有的結構變異。因此，在臨床判讀這些經過高度加速與 AI 重建的頸部 MRI 時，cross-sequence comparisons（跨序列對照比對）成為了不可或缺的防呆步驟。放射科醫師絕對不能單靠單一的高畫質 DLR 影像就貿然下診斷，必須反覆對照 T1、T2 以及未經對比增強的基礎序列，藉此確認那些看似異常的亮點究竟是真實的對比增強病灶，還是被 AI 扭曲強化的重疊假影。

橫膈膜呼吸與頸動脈搏動干擾的 2 種客製策略

若要從根本上解決這些假影被放大的問題，單靠投入更多資料去訓練更深層的類神經網路是不夠的，必須回歸到 MRI 的物理特性來對症下藥。作者在文中特別區分了兩種不同來源的運動干擾，並提出了對應的處理方向。第一種是由呼吸或身體大範圍移動所引起的鬼影。這類假影具有相對規律的週期性，或者屬於低頻率的大幅度位移。針對這類問題，最佳的解決方案是採用 navigator-based separation（利用導航回波剔除運動數據）技術。透過在掃描序列中插入額外的射頻脈衝來監測橫膈膜或頸部的即時位置，系統可以在病患移動的瞬間暫停數據收集，或者在後期重建時將這些受污染的訊號獨立分離出來，從而提供給 AI 更乾淨的基礎數據。

第二種則是血管搏動引起的假影，這在充滿大血管的頸動脈與頸靜脈周遭區域尤其棘手。由於心跳頻率快且不可控，搏動假影往往會在相位編碼方向上產生多重平行的重影，這些重影極容易與旁邊的淋巴結混淆。針對這種高頻率的局部干擾，作者強烈建議導入 physics-informed reconstruction（把物理定律寫進 AI 裡）或混合式架構。這種 hybrid approaches（先用傳統數學建構再讓AI降噪）會先利用傳統基於物理與數學模型的迭代重建方法來建立基礎框架，限制影像訊號的變異範圍，隨後再讓 AI 進行細節的強化與降噪。透過這種雙管齊下的方式，不僅能保留 AI 提升畫質的優勢，還能利用物理模型來框列住真實訊號的邊界，避免演算法擅自將重疊的搏動假影當作真實組織來放大。

下頸部盲區的飽和波與 2 種序列最佳化參數

從實務操作的角度來看，作者目前使用的仍是開發中的磁振造影序列，並預期在未來的研究中進一步最佳化取像的參數設定。針對特別難處理的下頸部區域，這裡不僅有粗大的血管經過，還靠近胸腔，極度容易受到心臟搏動與肺部呼吸的雙重干擾。為了應對這個解剖上的熱區，作者提出了幾個立竿見影的硬體與序列調整建議。首先是應用 saturation bands（打飽和波壓抑流入血液訊號）。這是一種在掃描感興趣區域之外提前發射特定射頻脈衝的技術，能夠讓即將流入頸部的血液質子失去磁化向量，從而大幅降低血管在對比增強影像上的初始訊號強度，從源頭直接減少搏動假影的產生機會。

除了常規使用飽和波之外，靈活調整 encoding direction（改變編碼方向轉移血管假影）也是一個極具臨床價值的實戰策略。由於運動假影通常只會沿著相位編碼的方向傳遞，技術師可根據懷疑的病灶位置刻意改變編碼方向，將可能產生的血管假影引導並轉移到沒有重要解剖結構的空白區域。此外，作者也提到將 DLR 技術應用在本身就具備高度抗運動特性的序列上（例如利用徑向填充的掃描方式），能夠發揮相輔相成的巨大效果。這些技術性的微調如果能夠與最佳化的 DLR 參數設定互相配合，就有極大的潛力在不犧牲診斷準確度的前提下，成功抑制假影的放大效應。所有的參數微調都必須建立在物理原則上，並透過後續的臨床數據反覆驗證。

針對黏膜原發腫瘤與淋巴結的 3 個次群組規劃

針對未來的臨床研究規劃，作者同意當前學界迫切需要前瞻性或針對特定適應症的探討，來確認 DLR 帶來的客觀影像品質提升，是否真能順利轉化為臨床上具有意義的實質效益。理想的研究世代應包含即將接受手術的術前病患群體，因為這些病患能夠提供最精確的組織病理學結果作為最終的參考標準。透過將 AI 重建的影像與最終的手術切片比對，研究人員可以精確評估 DLR 在影像診斷準確度、staging concordance（癌症分期一致性），以及對整體治療計畫產生的具體影響。這能有效濾除主觀視覺帶來的認知偏差，用真實病理數據定義 AI 影像價值。

更重要的是，未來的評估不能只停留在整體患者層次，必須深入到病灶層級的次群組分析。作者特別點名了幾個極具挑戰性的頸部臨床情境，包括 mucosal primary tumor（黏膜原發腫瘤）、復發性疾病，以及特定的淋巴結病變分析。黏膜原發腫瘤通常體積微小且隱蔽在複雜的表面輪廓中，微小的訊號失真就可能導致早期的病變被直接漏診；而復發性疾病則常被先前的放射線治療或手術疤痕所掩蓋，需要極高的組織對比度來區分纖維化組織與活躍腫瘤。透過針對這些特定次群組的深入挖掘與數據整理，我們才能真正釐清 DLR 在哪些特定的解剖部位或病理狀態下能提供最大的增量價值，又在哪些情況下會因為假影的過度強化而誤導臨床醫師。

看 AI 加速的頸部 MRI 記得對照原始序列，別把被強化的血管搏動假影當真病灶。