肺部低劑量電腦斷層的「384 對 1024」到底差在哪？看得更清楚，不等於揪出更多結節

做完低劑量肺部電腦斷層（LDCT）後，有些人拿到報告會看到「384」「1024」這類數字，心裡開始嘀咕：是不是機器愈大台愈厲害？是不是選 1024 才不會漏掉癌症？其實這兩個數字講的是影像重建的矩陣大小（384×384 對 1024×1024 像素），跟「幾切」的偵測器排數是兩回事。1024 矩陣的影像更銳利、結節邊緣看得更細，但雜訊也跟著變多，而且在肺癌篩檢實際「揪出結節」的能力上，目前沒有證據顯示它比較強。標準的肺癌篩檢，用 384／512 這種傳統矩陣就很夠用。

拿到 LDCT 報告，很多人的注意力都放在「有沒有結節」「幾公分」「要不要開刀」，很少有人會去想影像本身是怎麼被電腦「畫」出來的。可是一旦聽到有 1024 這種更高規格的選項，難免會冒出一種焦慮：我做的是不是比較差的那種？會不會因為機器不夠好，結果漏看了什麼？

先說結論，讓你把心放下來。這裡的關鍵字是矩陣（matrix），指的是電腦把掃描到的資料重建成影像時，把畫面切成多少格像素。384×384、512×512、1024×1024，就像把同一張照片分成不同細緻程度的方格。格子愈多，畫面理論上愈細膩。

但醫學影像跟手機拍照不太一樣。畫面拉得愈細，不只細節跑出來，藏在背後的雜訊也會一起被放大。放到肺癌篩檢這種「大範圍找小東西」的任務上，更銳利未必等於更會找。接下來用白話帶你看，這兩種規格到底差在哪、差多少，以及對你這次的報告來說重不重要。

先搞懂：矩陣不是「幾切」，是把影像切成幾格

很多人把 CT 的規格全部混成一句「幾切」，其實裡面藏了兩件不一樣的事。一件是機器有幾排偵測器（那才是俗稱的「幾切」，決定一次能掃多寬、多快）；另一件才是我們今天的主角——重建矩陣，決定電腦把影像畫成多細的方格。

比喻一：同一張底片，洗成不同大小的相紙

你可以把掃描到的原始資料想成一張底片。384 矩陣像是把它洗成一張標準尺寸的相片，看整體構圖清清楚楚；1024 矩陣則像放大成海報，湊近看能看到更多毛細節。海報放大後，臉上的細紋、髮絲都跑出來了——但同時，底片本身的顆粒感、雜點也一起被放大。相片不是愈大張就愈好認人，重點是「看得清不清楚你要找的東西」。

比喻二：地圖的縮放層級

另一個角度，矩陣有點像電子地圖的縮放。384 像是看整個城市的層級，道路主幹一目了然；1024 像是放大到街道層級，連小巷、招牌都描得出來。放大確實看得到更多，但畫面上的雜訊、模糊的路口也變得更明顯。對於「找一條主要幹道」這種任務，其實城市層級就夠了，放太大反而滿眼細節，未必更快找到目標。

更銳利是真的：邊緣、毛刺、胸膜凹陷都看得更清楚

先講 1024 矩陣的優點，這部分證據很明確。研究比較 512 矩陣（畫質接近 384）與 1024 矩陣時發現，1024 矩陣不論用客觀量測或醫師主觀判讀，影像銳利度都明顯比較高，結節的邊緣、分葉、毛刺（spiculation）以及胸膜凹陷這些細部特徵，都描繪得更清楚[1]。

這些細節對放射科醫師來說很有用。因為一顆肺結節是良性還是需要警惕，往往就藏在邊緣長什麼樣子——邊緣平滑通常比較讓人安心，帶毛刺、被牽扯出胸膜凹陷的，就需要多留意。看得更清楚，代表醫師在「判斷這顆結節長相」時手上的資訊更豐富。

同一份研究進一步指出，針對 6 到 30 毫米的肺結節，1024 矩陣在評估結節特徵和整體影像品質上，表現明顯優於 512 矩陣，而且這個差距經過統計比較是真的有影響，不是碰巧[1]。

銳利的代價：雜訊會跟著變多

好處講完，也要誠實講代價。畫面拉細不是免費的。研究量到，跟 512 矩陣相比，1024 矩陣的影像雜訊大約增加 16%，而且不論用儀器客觀量測、還是醫師主觀感受，都感覺得到這些雜點[2][1]。

雜訊是什麼？就是影像上那些不代表真實組織、隨機出現的顆粒感。它多了，畫面看起來就沒那麼乾淨。對於肺癌篩檢這種本來就採「低劑量」拍攝的檢查，影像先天就偏「粗」一點，雜訊再往上加，銳利換來的好處有時候會被打折扣。

看得更清楚，就會多揪出結節嗎？其實不一定

這才是大家真正在意的重點：畫質變好，會不會就多抓到癌症？從目前的證據看，答案沒有那麼直覺。

支氣管的可見度：兩者差不多

研究在胸部 CT 上比較 512 與 1024 矩陣對支氣管結構的呈現，結果是——儘管 1024 影像比較銳利，但在「最細能看到第幾階支氣管」以及支氣管整體影像品質上，兩者並沒有明顯差別[2]。換句話說，銳利度的優勢，不一定會等比例轉換成「看到更多結構」。

加上 AI 輔助時，1024 的小結節偵測較亮眼

不過話說回來，如果搭配 AI 電腦輔助診斷系統，情況又不太一樣。有研究發現，在 AI 協助判讀時，1024 矩陣的偵測準確率（98.32% 對 91.63%）和召回率（100% 對 95.59%）都比 512 矩陣高，尤其是在小結節上更明顯[3]。

這給了一個有意思的方向：更細的影像，也許本來就不是給人眼「多看出什麼」，而是餵給 AI 演算法時，能提供更多可分析的資訊。這是研究正在探索的路，但還沒到「篩檢一定要用 1024」的程度。

研究等級的超高解析：能看到 0.6 毫米的東西

再往極端一點看，超高解析度的 1024 矩陣，在研究情境下甚至能偵測到中位直徑約 600 微米（也就是 0.6 毫米上下）的結節[4]。這個數字聽起來很驚人，但要特別提醒：這是研究室裡的能力展示，對一般肺癌篩檢有沒有臨床意義，目前還不清楚[4]。看得到那麼小的東西，跟「看到它對你的健康管理有幫助」，是兩件事。

對照一下：不同情況該怎麼看待這兩種規格

選了「比較普通」的規格，會不會害我漏掉癌症？

這大概是拿到報告後最讓人睡不著的問題。看到別人做的是 1024、自己是 384，很容易腦補成「我這台比較爛，說不定漏看了」。

先把距離感抓對。從「影像規格差一點」到「真的漏掉一顆有意義的癌症」，中間隔著非常多層。標準的 LDCT 篩檢之所以能廣泛推行，是因為它在「合理輻射劑量」下，用傳統矩陣搭配適當的切面厚度（一般 2.5 毫米以下）和重建演算法，就足以找出臨床上該處理的結節[1][2]。指引沒有要求非用 1024 不可，正是因為多出來的那點銳利度，對「找到結節」這件事的實際幫助有限。

真正該提高警覺的，不是矩陣數字，而是這些狀況：持續咳嗽好幾週不好、咳血、體重莫名往下掉、胸痛或呼吸變喘。這些身體訊號出現時，不管你上次做的是哪種規格，都應該直接回診、讓醫師安排進一步評估，而不是糾結在影像矩陣的數字上。

想把 LDCT 做好，真正該在意的幾件事

與其煩惱矩陣要選幾，不如把力氣放在這些更能影響結果的地方。

該不該做、多久做一次，先問清楚

LDCT 是給「有肺癌風險」的族群做篩檢用的，例如長期吸菸、有肺癌家族史等等。要不要做、多久追蹤一次，交給醫師依你的風險評估，比自己執著規格重要得多。

切面厚度與重建演算法，比矩陣更關鍵

多數成熟的篩檢計畫，靠的是適當的切面厚度（2.5 毫米以下）搭配良好的重建演算法，用傳統矩陣一樣把篩檢做得很到位[1][2]。這些參數放射科都會幫你顧好，你不需要自己指定。

報告有結節時，重點是「追蹤節奏」

如果報告真的發現結節，接下來重要的是依大小和特徵安排追蹤（例如過幾個月再照一次看有沒有變化），這套追蹤邏輯跟你用 384 還是 1024 沒有關係。乖乖回診、按時追蹤，才是真正保護自己的方式。

常見誤解澄清

矩陣愈高（1024）就代表機器愈高級、揪癌能力愈強嗎？

真相：矩陣講的是影像被切成多細的方格，跟「幾切」的偵測器排數是兩回事，也不直接等於揪癌能力。1024 確實比較銳利，但雜訊會增加約 16%[2][1]，而且在支氣管可見度等項目上跟 512 沒有明顯差別[2]。對標準肺癌篩檢來說，傳統矩陣就足夠，指引也沒要求非用 1024 不可。

能看到 0.6 毫米的結節，是不是愈早發現愈好？

真相：超高解析度 1024 能在研究情境下偵測到約 600 微米的結節[4]，但這是研究室的能力展示，對一般篩檢有沒有臨床意義還不清楚[4]。看得到那麼小的東西，不等於對你的健康有實際幫助，有時反而製造更多不必要的焦慮與追蹤。

做的是 384／512，是不是該再花錢重照一次 1024？

真相：大多數情況不需要。標準 LDCT 用傳統矩陣搭配適當切面厚度和重建演算法，已足以完成篩檢任務[1][2]。要不要用更高解析度去細看某顆結節，是醫師依報告內容判斷的臨床決定，不是規格數字愈大就愈該做。

重點整理

• 矩陣不是「幾切」：384 對 1024 講的是影像重建矩陣（畫面切成幾格），不是偵測器排數；1024 更銳利、結節邊緣特徵看得更清楚，但雜訊約增加 16%[1][2]。
• 銳利不等於更會揪結節：支氣管可見度兩者相當[2]；只有搭配 AI 輔助時 1024 對小結節偵測較佳[3]；能看到 0.6 毫米結節屬研究情境、臨床意義未明[4]。
• 標準篩檢用傳統矩陣就夠：384／512 足夠且符合指引，真正該在意的是該不該做、切面厚度、重建演算法與結節追蹤節奏，而不是矩陣數字大小。

參考文獻

1. Tsubamoto M, Hata A, Yanagawa M, et al. Ultra High-Resolution Computed Tomography With 1024-Matrix: Comparison With 512-Matrix for the Evaluation of Pulmonary Nodules. European Journal of Radiology. 2020;128:109033. DOI: 10.1016/j.ejrad.2020.109033
2. Euler A, Martini K, Baessler B, et al. 1024-Pixel Image Matrix for Chest CT – Impact on Image Quality of Bronchial Structures in Phantoms and Patients. PloS One. 2020;15(6):e0234644. DOI: 10.1371/journal.pone.0234644
3. Jiang Q, Sun H, Chen Q, et al. High-Resolution Computed Tomography With 1,024-Matrix for Artificial Intelligence-Based Computer-Aided Diagnosis in the Evaluation of Pulmonary Nodules. Journal of Thoracic Disease. 2025;17(1):289-298. DOI: 10.21037/jtd-24-1311
4. Hata A, Yanagawa M, Ninomiya K, et al. Morphology-Based Radiological-Histological Correlation on Ultra-High-Resolution Energy-Integrating Detector CT Using Cadaveric Human Lungs: Nodule and Airway Analysis. European Radiology. 2025;:10.1007/s00330-025-11756-1. DOI: 10.1007/s00330-025-11756-1

黃柏誠醫師

✓ 認證作者衛福部醫事人員

博田國際健康管理中心醫療主任、家庭醫學專科醫師。國立臺灣大學醫學系醫學士、高雄醫學大學藥學碩士、美國哈佛 BIDMC 老年醫學科訪問醫師、體適能健身 C 級指導員認證。專長預防醫學與減重醫學，擅長以資訊工具優化臨床流程。