Visual assessment of AI-reconstructed knee MRI: A pilot study.

膝關節常規 MRI 排程總是卡卡的，但若大膽導入 AI 影像重建技術，把整體掃描時間從 13 分 15 秒直接砍掉 36.9% 變成 8 分 22 秒，影像品質不僅沒有劣化，在視覺分級分析上的分數甚至超越傳統 3T 標準 protocol。這不是在推銷新機器，而是透過調整參數與 AI 搭配，實實在在地提高每天的機房吞吐量與病人舒適度，同時維持高品質的軟骨與半月板解剖細節。

膝關節 3T MRI 的掃描時間與假影拉鋸戰

每天面對滿滿的門診與急診排程，膝關節 MRI 往往是機房裡的常客，而最大的痛點通常不是擺位難度，而是病患的耐受度與掃描時間的拉鋸。傳統的 3T 膝關節 protocol 為了追求足夠的 SNR（訊雜比，影像訊號與雜訊的比值） 與空間解析度，通常需要耗費超過 13 分鐘來完成標準的五個序列。對於患有退化性關節炎或急性半月板撕裂的病人來說，要求他們在線圈內保持不動超過 10 分鐘，往往會引發不自主的抽搐或移動，進而產生嚴重的 Motion artifact（移動假影）。一旦發生移動假影，我們往往需要重新掃描特定序列，這不僅打亂了後續病人的排程，也增加了不必要的機器耗損。

回顧我們在控制台前的日常操作，為了在合理時間內獲取影像，我們經常在 Matrix（矩陣）、FOV（視野大小） 與 NEX / NSA（訊號平均次數） 之間進行妥協。如果為了省時間而把 NEX 從 2 降到 1，雖然時間減半，但隨之而來的顆粒感與雜訊往往會被判讀醫師退件；如果採用較高的 Parallel imaging（平行造影技術，如 SENSE 或 GRAPPA） 加速因子，影像中心又容易出現不均勻的雜訊分佈。這篇發表在 Radiography 的先導研究，正是看準了放射師在參數調整上的困境，試圖利用 AI 重建技術來打破傳統物理參數的限制，讓「降時間」與「保畫質」不再是互斥的單選題。

AI 重建技術與常規膝關節序列的參數對決

這項研究的設計非常貼近我們的臨床實務，團隊找來了十位健康的志願者，在 3T 磁振造影儀上進行 AI 強化與標準 protocol 的探索性比較。他們鎖定的序列正是我們每天必掃的基本盤：矢狀面 T1-weighted (T1w) fast spin echo (FSE)、proton density-weighted (PDw) FSE fat saturation (FS) 以及 T2w FSE，再加上軸狀面與冠狀面的 PDw FSE FS。從參數設定的角度來看，研究人員的策略非常明確，就是在確保空間解析度（如 slice thickness 維持在常規的 3-4 mm）不變的前提下，刻意調整參數以縮短掃描時間，隨後將這些充滿雜訊或訊號不足的原始數據丟給 AI 模型進行重建。

檢視這種研究的評估方式，他們沒有單純依賴機器的物理數值，而是找來三位 MRI 專家使用 ViewDEX 軟體進行獨立的視覺評估。這種做法對放射師來說非常有參考價值，因為我們真正在乎的，就是這張影像打到螢幕上時，關節液的對比是否足夠、半月板的撕裂線是否清晰，以及軟骨與硬骨的交界處有沒有模糊。評估工具使用了 VGA（視覺分級分析，評估影像解剖結構與品質的指標）、Kappa（評估觀察者間一致性的統計指標） 以及 VGC（視覺分級特徵，類似 ROC 曲線的評估方法）。這意味著 AI 重建的影像不僅需要騙過儀器的檢測，更要能滿足專家挑剔的肉眼，確保其在臨床診斷上的真實可用性。

從 VGA 視覺評分看 36.9% 時間降幅的影像品質

把目光拉到研究的核心成果，最讓放射師眼睛一亮的絕對是那個精確的時間降幅：整體掃描時間從標準的 13 分 15 秒大幅縮減至 8 分 22 秒，足足減少了 36.9 %。在減少了將近 5 分鐘的掃描時間下，所有的 AI 強化序列依然被專家評定為「臨床可接受（clinically acceptable）」。如果我們細看 VGA 的評分結果，AI 重建影像在大多數的解剖結構與影像品質標準上，竟然獲得了與耗時較長的標準序列相等甚至更高的分數。這代表 AI 在處理降低 NEX 或提高加速因子所產生的背景雜訊時，表現得極為出色，成功彌補了傳統 k-space 數據擷取不足的缺陷。

觀察觀察者間的一致性指標，這也是一個非常有趣的發現。研究指出，對於 AI 序列，專家的 Kappa 值落在「中等到良好（moderate-to-good）」的區間；反觀標準序列，專家的共識度反而較為浮動，落在「低到良好（low to good）」之間。這暗示了 AI 重建技術可能具有一種「平滑化與標準化」的作用，它能把因為病人個體差異或微小參數變動造成的影像波動降到最低，產出一種視覺上更為一致、更符合多數專家胃口的影像風格。此外，VGC 的結果也證實了 AI 影像在統計學上的表現優於傳統影像，這給了我們在操作控制台時極大的信心，證明把時間縮短並非偷工減料，而是技術升級的合理結果。

T1w 與 PDw FS 序列套用 AI 重建的參數陷阱

然而，天上不會掉下完美的餡餅，當我們把 AI 重建技術套用到特定的對比權重時，必須極度小心潛在的影像失真。對於 T1w FSE 序列，AI 通常能輕易地抹平雜訊，但如果我們把 Phase encoding steps（相位編碼階數） 降得太低以換取時間，AI 有時會為了補齊影像而產生過度平滑的「塑膠感（plastic appearance）」，這可能會掩蓋掉骨小樑的微細結構。放射師在設定 protocol 時，必須確保基礎的空間解析度矩陣（例如維持至少 256 x 256 或更高）不能因為有了 AI 就任意妥協，AI 擅長的是處理雜訊（Denoising），而不是憑空創造原本就不存在的高頻解剖細節。

另一個需要高度關注的是 PDw FSE FS 序列，這是評估膝關節軟骨與韌帶水腫的靈魂序列。AI 重建模型雖然強大，但它無法取代基本的物理擺位原則。如果病患的膝關節沒有確實放置在磁場的等中心（Isocenter），或者我們在掃描前沒有確實執行 Shimming（勻場，調整局部磁場均勻度的過程），導致局部主磁場（Bo）不均勻，那麼脂肪抑制（Fat saturation）的效果就會大打折扣。當脂肪訊號沒有被乾淨地壓抑下來，AI 模型在重建時可能會將這些殘留的脂肪高訊號誤認為是病理性的水腫，甚至在韌帶邊緣產生不自然的假邊緣。因此，了解擷取參數如何影響影像品質與假影，是整合 AI 時不可忽視的關鍵環節。

苗栗機房實戰：如何將 AI 模組整合進每日膝關節排程

明天回到機房，如果你的機器已經配備了這類 AI 重建模組或軟體升級，請不要只是盲目地按下「開啟」鍵。首先，我們可以從最容易配合的年輕或健康病患開始測試這個縮減到 8 分鐘的 protocol。在擺位時，務必維持最高標準的物理操作：確保線圈包覆緊密、膝關節微外轉 10 到 15 度以對齊前十字韌帶（ACL），並嚴格將目標區域對準雷射定位十字的中心點。在參數控制台上，你可以大膽地將 NEX 調整為 1，或者適度提高平行造影的加速因子（例如將 SENSE factor 從 2 提升到 2.5 甚至 3），然後將後處理交給 AI 引擎。

執行這個新流程時，QC（品質管控）的觀念必須同步升級。在第一個序列（通常是 Sag T1w）掃描出來後，放射師必須放大檢視股骨與脛骨交界處的軟骨邊緣。你需要問自己：影像看起來是否過於平滑？有沒有出現水彩畫般的不自然紋理？如果邊緣依然銳利且雜訊極低，那麼你就可以安心地把後續的 PDw FS 與 T2w 序列都套用相同的降時策略。儘管這篇研究的結果十分振奮人心，但作者也提醒仍需進一步的臨床驗證。這告訴我們，面對高度懷疑有微小半月板撕裂的複雜病例時，放射師仍應保有隨時切換回傳統 13 分鐘高解析度 protocol 的彈性，確保醫療品質的底線不被打破。

掃膝關節想省時，NEX 降 1 交給 AI 補訊號，但擺位沒確實對準等中心點，AI 也救不回失敗的脂肪抑制假影。