在電腦斷層（CT）影像重建技術中，下列那一種方法屬於傳統且運算速度快，但對雜訊敏感？
詳細解析
本題觀念
電腦斷層（computed tomography, CT）的影像重建，是把偵測器量到的各角度 X 光衰減資料轉成橫切面影像。判斷本題的關鍵，在於分辨解析式重建與模型或學習式重建的特色：filtered back-projection（FBP）是經典解析式方法，流程直接、計算量相對小，因此重建速度快；但它對投影資料中的統計雜訊較敏感，低輻射劑量時尤其容易看到顆粒狀雜訊與條紋偽影。這些特徵正好對應選項 A。
FBP 可理解為先對投影資料套用濾波器，再將各角度投影反向分配回影像矩陣。濾波能補償單純反投影造成的模糊，但也會放大高頻變化；雜訊同樣包含高頻成分，所以當光子數減少、投影訊號不穩定時，影像雜訊會變得更明顯。
選項分析
A. filtered back-projection（FBP）—正確。 FBP 是傳統 CT 解析式重建法，主要步驟可快速執行，早期 CT 和許多臨床系統都以此作為基礎。它不像迭代方法那樣反覆比較模擬投影與實際投影，因此運算負擔較低、速度較快；代價是對雜訊與投影不完整較敏感。低劑量掃描時，光子數下降會增加量子雜訊，FBP 不容易主動辨識並抑制這些變化，故可能出現較粗糙的影像質地或偽影。
B. iterative reconstruction（IR）—不符。 IR 會先建立影像估計，再將估計影像正向投影，與實際量測資料比較，接著反覆修正，並可加入系統模型、光子統計與雜訊模型。這種做法通常能降低雜訊、改善偽影，甚至在維持影像品質下協助降低劑量；但反覆運算使所需時間與計算資源通常高於單純 FBP。
C. deep learning reconstruction（DL）—不符。 深度學習重建是較新的資料驅動方法，利用神經網路學習投影資料與高品質影像之間的關係。其常見目標是抑制雜訊、維持細節，或改善低劑量 CT 的影像品質，並非傳統且對雜訊敏感的解析式重建。實際表現仍會受到訓練資料、模型設定與掃描條件影響，不能把 DL 與 FBP 視為同一類方法。
D. hybrid reconstruction—不符。 混合式重建通常把 FBP 的快速流程與部分迭代校正、統計模型或其他雜訊抑制技術結合，目的是在速度、解析度與雜訊之間取得平衡。因為它已加入額外的校正或抑噪機制，所以不能用「單純傳統 FBP」概括，也不是本題所描述的答案。
答案解析
答案為 A，filtered back-projection（FBP）。記憶本題可抓住三組對比：FBP 是傳統解析式重建，速度快但對雜訊敏感；IR 透過反覆估計與模型校正來抑制雜訊，計算負擔較高；DL 則是較新的學習式重建，常用於低劑量影像的雜訊控制。Hybrid reconstruction 是折衷方案，不能取代 FBP 的基本分類。
在實務判讀時，不能只用影像看起來平滑與否判定重建法，還要一併考慮管電流、管電壓、切層厚度、重建核心與病人體型。相同重建法在不同掃描條件下，雜訊與空間解析度也會改變；本題問的是方法本身的典型特性，因此依技術分類選 FBP。
核心知識點
- FBP：解析式、流程直接、運算速度快；對量子雜訊較敏感，低劑量時影像雜訊與偽影容易增加。
- IR：利用反覆估計、投影比較與系統或統計模型降低雜訊及偽影，通常需要較多計算。
- DL：以神經網路學習影像重建或雜訊抑制，屬於較新的資料驅動方法。
- Hybrid：結合 FBP 與其他校正或迭代策略，兼顧速度與影像品質。
- CT 影像品質要同時看雜訊、對比解析度、空間解析度、偽影與輻射劑量，不能只背單一方法的優點。
參考資料
- Deep Learning Image Reconstruction for CT: Technical Principles and Clinical Prospects（PMID: 36719287）
- Computed Tomography Iterative Reconstruction Techniques（PMID: 27390246）
- Influence of deep learning image reconstruction algorithm for reducing radiation dose and image noise compared to iterative reconstruction and filtered back projection（PMID: 38725640）
- Operation of computed tomography