關於 MLEM和 OSEM 的敘述，下列何者最不適當？
詳細解析
本題觀念：
本題探討核子醫學影像（如 PET、SPECT）中常用的統計型疊代影像重建演算法：MLEM（Maximum Likelihood Expectation Maximization，最大概似期望值最大化）與 OSEM（Ordered Subset Expectation Maximization，序列子集期望值最大化）。這類演算法能提供比傳統解析法（如 FBP）更好的影像品質，但其疊代次數與運算機制的設定會直接影響影像的收斂速度與雜訊表現。
選項分析
-
(A) 兩者皆可以合併物理參數（衰減、均勻度等）進行疊代修正 正確。MLEM 與 OSEM 都屬於統計型疊代演算法。疊代法的一大優勢在於其系統矩陣（System matrix）的建立過程中，能夠將掃描儀的物理參數及衰減效應（Attenuation）、散射（Scatter）、偵測器反應及均勻度、點擴散函數（PSF）等模型納入計算，藉此在正向與反向投影的疊代過程中精確修正影像。
-
(B) 兩者皆利用統計中將相似度的期望值最大化的方法疊代求解 正確。這兩種演算法的核心皆建立在測量數據符合卜瓦松分布（Poisson distribution）的統計假設上。透過最大概似估計（Maximum Likelihood），在每次的疊代中逐步調整影像像素數值，使估計的投影數據與實際量測到的投影數據之間的相似度（概似函數期望值）達到最大化。
-
(C) 在達成相同的影像品質條件下，OSEM 所需之計算時間會短於 MLEM 正確。MLEM 的缺點是必須使用「所有」角度的投影數據運算完畢後，才能更新一次影像，因此收斂極慢。OSEM 則是將投影數據均分為多個序列子集（Ordered Subsets），只要運算完一個子集就能更新一次影像。在相同的收斂程度（影像品質）下，OSEM 可大幅減少疊代次數，計算時間明顯短於 MLEM。
-
(D) 若沒有時間限制，疊代越多次，影像品質越好 錯誤（最不適當）。統計型疊代演算法（如 MLEM 和 OSEM）在運算初期會先重建出低頻訊號（影像的基本輪廓），隨著疊代次數增加，再逐步恢復高頻訊號（邊緣細節）。然而，由於核醫數據本身帶有統計雜訊（屬於高頻訊號），若疊代次數過多，演算法會過度擬合（Overfitting）這些雜訊，產生嚴重的「雜訊放大效應（Noise amplification）」，導致影像呈現嚴重的斑點狀且訊雜比（SNR）大幅下降。
答案解析
選項 (D) 是最不適當的敘述。在臨床實務中，疊代式影像重建並不是「疊代越多次越好」。為了避免過度的疊代將高頻雜訊放大而導致影像劣化，通常必須在對比度與訊雜比之間取得平衡。實務上會透過設定一個合理的疊代次數使其提早終止（Stopping rule），或在影像重建後加入低通濾波器（如 Gaussian filter）以抑制雜訊。因此 (D) 的說法違背了疊代重建法的重要特性。選項 (A)、(B)、(C) 皆為 MLEM 與 OSEM 演算法正確的原理與特性描述。
核心知識點
醫事放射師國考針對「影像重建演算法」常考的觀念如下：
- FBP（解析法） vs. 疊代法（MLEM/OSEM）：疊代法具備結合物理模型進行衰減與散射校正的能力，在低計數（Low count）或雜訊大的情況下表現優於 FBP。
- MLEM 與 OSEM 的差異：OSEM 利用將投影數據分組為「子集（Subsets）」的方式，有效提升收斂速度，大幅減少運算時間，為目前臨床 PET/SPECT 的主流。
- 雜訊放大（Noise Amplification）與過度疊代：疊代法的致命傷是疊代次數過多時會導致雜訊被放大。因此影像品質並非與疊代次數呈正比，必須適時停止疊代並搭配平滑濾波處理。
臨床重要性
了解 OSEM 演算法中的 「疊代次數（Iterations）」 與 「子集數（Subsets）」 參數對於調校臨床影像具有極大幫助。若臨床醫師反映影像過於平滑（模糊）或缺乏對比，可考慮適度增加疊代次數或子集數；若反映影像雜訊過高（太過斑駁粗糙），則應減少疊代次數或增強濾波，這是醫事放射師進行影像品管及協定優化的關鍵能力。