同一台 MRI、同一顆腦，為什麼換一組參數，腫瘤就從「黑」變成「亮」？

同一台 MRI、同一顆腦，為什麼換一組參數，腫瘤就從「黑」變成「亮」？

一位住院醫師盯著同一位病人、同一次檢查的兩張腦部磁振造影（MRI）。在第一張上，腦脊髓液（cerebrospinal fluid, CSF）是黑的、一處病灶幾乎看不出來；在第二張上，腦脊髓液變成耀眼的白，那處病灶也跟著亮了起來，邊界清晰可辨。她沒有重新掃描，組織也分毫未動——改變的只是機器發射無線電波的「節奏」。

入門篇談過 X 光、超音波、電腦斷層（CT）與 MRI 各自的物理機制與適用場景。但那只是「看見身體內部」這件事的表層。真正讓放射科醫師能在一張灰階圖上分辨出腫瘤、水腫、出血與脂肪的，不是儀器本身，而是對比（contrast）是如何被「製造」出來的——以及一張影像是如何從一堆原始訊號中被「重建（reconstruction）」出來的。

這篇進階文章不再重述四種儀器的用途，而要往下鑽一層：MRI 的對比為何可被「調配」、CT 的數值為何能被「定量」、影像重建本質上是在解一道什麼樣的數學難題，以及為什麼空間解析度、雜訊與輻射劑量永遠在彼此拉扯。理解這些，你看一張醫學影像的眼光會徹底不同。本文為醫學教育內容，不構成任何個人醫療建議。

MRI 的對比不是「拍」出來的，是「調配」出來的

入門篇說過，MRI 靠強磁場讓體內氫質子（proton）排列，再用無線電波脈衝把它們敲到高能態，關閉電波後質子「鬆弛（relaxation）」並釋放訊號。進階的關鍵在於：這個鬆弛其實有兩條獨立的時間軸，而醫師可以決定要讓哪一條主導影像。

• T1（縱向鬆弛時間）：質子的磁化方向「重新對齊」主磁場、回復縱向磁化所需的時間常數。脂肪的 T1 短（恢復快），水的 T1 長（恢復慢）。
• T2（橫向鬆弛時間）：被激發後，質子群之間的相位「散開（dephasing）」、橫向磁化衰減的時間常數。水的 T2 長（訊號維持久），多數實質組織的 T2 較短。

放射科醫師透過調整脈衝序列（pulse sequence）的兩個旋鈕，決定要凸顯哪一條軸：

• TR（repetition time，重複時間）：兩次激發脈衝之間的間隔。
• TE（echo time，回波時間）：激發到收訊之間的延遲。

於是有了三種最基本的「加權（weighting）」影像：

1. T1 加權（短 TR、短 TE）：脂肪亮、水（如腦脊髓液）暗。解剖結構清晰，常用來看正常構造。
2. T2 加權（長 TR、長 TE）：水亮、脂肪相對暗。病灶通常含水量增加（水腫、發炎、許多腫瘤），所以在 T2 上會「點亮」——這正是開頭那位住院醫師看到病灶變亮的原因。
3. 質子密度加權（長 TR、短 TE）：兩條軸的影響都被壓低，純粹反映該處質子（≈含水量）多寡。

這帶出一個對初學者極反直覺、但極重要的觀念：MRI 影像上的「亮」與「暗」沒有絕對意義。同一處組織，在 T1 上是黑的、在 T2 上可能是白的。你必須先問「這是什麼加權？」才能解讀亮暗。這和 X 光「白＝高密度、黑＝空氣」那種固定對應完全不同，也是為什麼判讀 MRI 需要專門訓練。

更進一步，臨床還會用特殊序列「抹掉」某種組織的訊號以凸顯其他結構，例如 FLAIR（fluid-attenuated inversion recovery）——它把腦脊髓液的水訊號壓黑，讓緊貼在腦室與腦溝旁、原本會被亮 CSF 蓋住的病灶（如多發性硬化的斑塊）無所遁形。換句話說，MRI 的「對比」是被工程化地設計出來的，而非被動拍下的。

顯影劑：在血管裡放一個「會改變物理性質」的標記

入門篇提過 CT 與 MRI 都可注射顯影劑（contrast agent），但兩者的物理機制其實南轅北轍，這點常被混為一談。

CT 顯影劑（含碘 iodine）的邏輯是「直接擋下更多 X 光」。 碘原子序數高（53），對 X 光的衰減（attenuation）很強。把含碘藥劑打進血管，血流豐富處（發炎、腫瘤新生血管）就會在 CT 上變得更白。它改變的是「組織擋 X 光的能力」，本質與骨頭呈白的原因相同。

MRI 顯影劑（最常見為釓 gadolinium 螯合物）的邏輯則是「縮短鄰近質子的 T1」。 釓本身在 MRI 上幾乎不直接顯影——它是一種順磁性（paramagnetic）物質，會擾動周圍水分子的局部磁場，使附近質子的 T1 大幅縮短。結果是：在 T1 加權影像上，釓所在之處（血腦障壁破壞、血管增生的腫瘤）會變得異常明亮。注意，它不是自己發光，而是「催化」周遭水質子訊號的提早恢復。

這個機制差異有直接的臨床後果。釓劑與碘劑的不良反應譜、禁忌與處置完全不同：含碘劑要留意甲狀腺功能與腎功能（顯影劑腎病變的傳統顧慮）；釓劑則在嚴重腎功能不全者有「腎源性全身性纖維化（nephrogenic systemic fibrosis）」的歷史警訊，因此現代多採用較安全的大環狀（macrocyclic）螯合結構。理解「為什麼這種顯影劑用在這種影像」，要回到它改變的是哪一種物理量。

CT 的數值不只是灰階，而是可定量的物理量

入門篇把 CT 描述為「X 光繞一圈、電腦重建橫切面」。但 CT 真正深刻之處，在於它的每個像素都不是隨意的灰階，而是一個標準化、可定量的物理數值——這是它與普通 X 光最本質的分野。

CT 影像的每個像素值以 Hounsfield 單位（Hounsfield unit, HU）表示，定義上把水校準為 0 HU、空氣校準為 −1000 HU，其他組織依其相對於水的 X 光衰減係數線性換算：

• 空氣：約 −1000 HU
• 脂肪：約 −100 至 −50 HU
• 水：0 HU
• 軟組織：約 +30 至 +70 HU
• 新鮮出血：約 +50 至 +100 HU（這就是急性腦出血在 CT 上呈亮白的量化依據）
• 緻密骨：可達 +1000 HU 以上

這套標準化讓 CT 從「看亮暗」升級成「量數值」。例如要判斷腎臟一顆囊腫是單純水樣（良性）還是實質腫塊（需警惕），醫師可直接量它的 HU：接近 0 HU 強烈支持單純囊液。

但人眼只能分辨約數十階灰，而 CT 的數值範圍跨越約兩千階 HU。於是有了 window/level（窗寬／窗位）的技術：醫師依目的選一段 HU 範圍映射到完整的黑—白灰階。看肺（充滿空氣，HU 很低）用「肺窗」，看骨用「骨窗」，看腦組織則用很窄的「腦窗」去放大灰白質之間僅數 HU 的微小差異。同一份原始資料，換個窗就是完全不同的影像——這也是為什麼放射科醫師滑動滑鼠調整窗寬時，畫面明暗會劇烈變化。

入門篇提到的雙能 CT（dual-energy CT）與光子計數 CT（photon-counting CT），其進階意義正在於此：用兩種不同能量的 X 光，可解出不同元素（如碘 vs. 鈣）各自的貢獻，把單一 HU「拆解」成物質成分圖——例如自動把骨頭從血管影像中移除，或辨識結石的化學成分。CT 正從「一個衰減數字」走向「多維度的物質定量」。

影像重建：在解一道「反問題」

無論 CT 或 MRI，機器直接量到的都不是影像，而是一堆原始訊號；影像是被「算」出來的。理解這層，是進階影像學最核心的觀念躍進。

CT 的本質是 Radon 轉換的逆運算。 每一個投影角度，偵測器量到的是 X 光穿過該方向上所有組織後的「衰減總和」——數學上是沿著一條射線的線積分（line integral）。把所有角度的投影集合起來，叫做正弦圖（sinogram）。從正弦圖反推出每個像素真正的衰減值，就是在解 Radon 轉換的逆問題。經典解法是濾波反投影（filtered back-projection, FBP）：先對投影做高通濾波（否則直接反投影會糊成一團），再把它們沿原路徑「塗回」影像空間疊加。現代機器多改用迭代重建（iterative reconstruction），反覆「猜一張影像 → 模擬它會產生什麼投影 → 與實測比對 → 修正」，能在更低輻射劑量下抑制雜訊。

MRI 的本質則是傅立葉空間（k-space）的取樣與反轉換。 MRI 並非逐點掃描影像，而是透過梯度線圈（gradient coil）對訊號做空間頻率的編碼，逐步填滿一個叫 k-space 的頻率域矩陣；最後對整個 k-space 做逆傅立葉轉換（inverse Fourier transform），才得到我們看到的解剖影像。k-space 的中央決定影像的整體對比，周邊決定細節與邊緣。

把重建看成反問題，就能理解近十年的兩大革命：

• 壓縮感知（compressed sensing）：利用醫學影像在某個變換域是「稀疏」的這個性質，只取樣遠少於奈奎斯特定理（Nyquist theorem）要求的 k-space 資料，再用最佳化演算法補回完整影像——直接讓 MRI 掃描時間大幅縮短。
• 深度學習重建（deep-learning reconstruction）：用神經網路學習「從不完整、含雜訊的原始訊號到乾淨影像」的映射。它效果驚人，卻也帶來一個嚴肅的研究警訊——當影像不再純由物理決定，模型有沒有可能「幻想（hallucinate）」出一個其實不存在的微小病灶，或抹平一個真實的病灶？影像的可信度與可解釋性，因此成為 AI 影像領域的核心倫理議題。

看一個例子：腦中風的「黃金一小時」如何驅動影像選擇

理解了上述機制，就能看懂急性缺血性腦中風（ischemic stroke）的影像決策為何如此安排——它幾乎是一堂「機制決定流程」的活教材。

1. 第一步：CT 平掃（不打顯影劑）。 目的不是看梗塞，而是排除出血。因為若是出血性中風，後續的溶栓藥物（會抗凝）會致命。新鮮血液 HU 高、在 CT 上立刻呈亮白，幾分鐘可判讀。這一步是「先確認能不能給藥」。
2. 第二步：CT 血管攝影（CTA）。 注射含碘顯影劑，凸顯腦血管，找出是哪一條大血管被血栓塞住——這決定能否做血管內取栓（thrombectomy）。
3. 第三步：灌注影像（CT perfusion 或 MR perfusion / diffusion）。 這是進階的關鍵。擴散加權影像（diffusion-weighted imaging, DWI）利用水分子在細胞缺血腫脹後擴散受限的物理現象，能在症狀發生後數分鐘到數十分鐘內就讓已經死亡的核心梗塞區（core）發亮——遠早於結構性影像能看出變化。再結合灌注影像標出血流不足、但「尚未死亡、還可搶救」的半暗帶（penumbra），醫師就能量化評估：搶救得到的腦組織值不值得冒取栓的風險？

你會發現，每一步的選擇都直接對應某種物理機制：HU 之於出血、碘衰減之於血管、水分子擴散受限之於早期梗塞。這正是放射醫學從「儀器清單」升維到「機制推理」的縮影。

解析度、對比、雜訊與劑量：永遠在拉扯的四角關係

入門篇分別提到各儀器的優缺點，但進階學習者要建立一個統一框架：影像品質的幾個維度彼此衝突，無法同時最大化。

• 空間解析度（spatial resolution）：能分辨多小的結構。提高解析度（縮小體素 voxel）意味著每個體素接收到的訊號變少。
• 對比解析度（contrast resolution）：能分辨多接近的兩種組織。MRI 的軟組織對比最佳，CT 則勝在骨與密度差大的結構。
• 訊雜比（signal-to-noise ratio, SNR）：訊號相對於隨機雜訊的強度。雜訊太大，再高的解析度也看不清。
• 輻射劑量（CT/X 光）或掃描時間（MRI）：取得更多、更乾淨訊號的「成本」。

這四者彼此牽制。以 CT 為例：想看更小的結構（高解析度）→ 每體素訊號變少（SNR 下降）→ 要補回 SNR 就得增加輻射劑量。 想壓低劑量（遵循入門篇的 ALARA 原則）→ 雜訊上升 → 影像變顆粒狀。這就是為什麼迭代重建與 AI 去雜訊如此受重視：它們試圖在「不增加劑量」的前提下打破這個取捨。

MRI 則把「劑量」換成「時間」：想要更高解析度與更好 SNR，往往得拉長掃描時間，但病人難以長時間靜止不動（移動會造成模糊與假影 artifact）。前述的壓縮感知，本質上就是在這個四角關係裡，用數學換取時間。

理解這個框架後，你就不會再問「為什麼不每次都用最高解析度」——因為解析度從來不是免費的，它總是向 SNR、劑量或時間借來的。

重點回顧

• MRI 對比是被設計出來的：透過調整 TR / TE 與序列，同一塊組織可在 T1 加權呈暗、在 T2 加權呈亮。判讀前必先問「這是什麼加權」，亮暗沒有絕對意義。
• CT 與 MRI 顯影劑機制不同：碘劑直接增加 X 光衰減（變更密度對比）；釓劑縮短鄰近質子的 T1（催化訊號恢復），兩者的禁忌與風險也因而不同。
• CT 是可定量的：每像素以 Hounsfield 單位表示，水＝0、空氣＝−1000，讓「看亮暗」升級為「量數值」，並可用窗寬／窗位放大特定 HU 範圍。
• 影像是被重建出來的，不是拍出來的：CT 是 Radon 轉換的逆運算（FBP／迭代重建），MRI 是 k-space 的逆傅立葉轉換；壓縮感知與深度學習正在改寫重建範式。
• 品質四角永遠拉扯：空間解析度、對比、訊雜比與劑量／時間無法同時最大化；任何提升都是向其他維度借來的。

深入探討（研究所視角）

研究所層級，醫學影像會從「如何成像」進一步走向「影像作為一種可建模、可定量、可被機器學習的高維生物資料」。

第一，定量影像生物標記（quantitative imaging biomarker）的標準化困境。 把影像當成測量儀器，最大的敵人是可重複性（reproducibility）。同一位病人在不同廠牌的 MRI、不同的場強（1.5T vs. 3T）、不同序列參數下掃描，量到的 T1、ADC（表觀擴散係數）或影像體學特徵可能系統性偏移。這催生了 QIBA（Quantitative Imaging Biomarkers Alliance）等標準化倡議，以及大量關於「特徵穩健性（feature robustness）」的方法學研究。在你打算用影像數值做跨機構研究或 AI 訓練前，必須先回答：這個數字在不同掃描條件下還是同一個意思嗎？

第二，影像體學（radiomics）與多模態融合。 一張影像可被演算法萃取出數百到數千個量化特徵（紋理、形狀、強度分布、小波係數），用以預測腫瘤分型、基因表現、治療反應與預後。但小樣本、高維度特徵極易過度配適（overfitting），於是研究焦點轉向嚴謹的特徵篩選、外部驗證與「影像基因體學（radiogenomics）」——把影像特徵與分子病理連結。這呼應 Educational Omics 的核心精神：單一模態看見的永遠是局部，多模態融合（結構 MRI＋功能 fMRI＋代謝 PET＋分子病理）才逼近全貌。

第三，物理啟發的深度學習重建。 純資料驅動的黑箱重建有「幻想病灶」的風險，因此前沿不再讓神經網路自由發揮，而是把已知的成像物理（forward model）嵌入網路結構——所謂「展開式（unrolled）」最佳化網路，讓每一層都對應一次物理一致性的修正。這種「物理＋學習」的混合範式，既加速重建，又把輸出約束在符合測量物理的解空間內，是兼顧速度與可信度的研究主流方向。

最後，影像資料的倫理與治理。 當影像不再只是「給醫師看的圖」，而成為「餵給模型的高維生物資料」，它的隱私敏感度直追基因與生理數據——頭部 CT/MRI 甚至可透過演算法重建出可辨識的臉部輪廓，去識別化（de-identification）因而遠比抹去姓名欄複雜。跨機構共享、聯邦學習（federated learning，讓模型到資料端訓練而非匯集資料）、明確的知情同意與資料治理框架，都是負責任地使用醫學影像 AI 不可迴避的前提。理解影像背後的物理機制與資料屬性，正是踏出這一步的起點。

（再次提醒：本文為知識性介紹，不構成個人醫療建議。如有健康疑慮或檢查安排需求，請諮詢您的醫師。）