DoseSave
DoseSave · Themen · Senkt KI wirklich die CT-Strahlendosis? Analyse der Studien 2026
Aktuelle Literatur · Rekonstruktion & KI

Senkt KI wirklich die CT-Strahlendosis? Analyse der Studien 2026

Hersteller werben mit 'Bis zu 50 % Dosisreduktion durch KI'. Doch was zeigen unabhängige klinische Studien 2026 wirklich? Die größte reale Dosisersparnis liefert nicht die Rekonstruktion, sondern die kamerabasierte automatische Patientenzentrierung. Ein nüchterner Blick aus der Medizinphysik.

Mittel / Fortgeschritten · Radiologie, Physik & MTR· ~9 Min. Lesezeit· Mit Quellen
Zusammenfassung
Klinische Studien 2026 belegen, dass die verlässlichste Dosisersparnis durch KI nicht aus der Bildfilterung stammt, sondern aus der 3D-Kamera-gestützten automatischen Patientenzentrierung (15–20 % Ersparnis).1, 2

Herstellerversprechen von 50 % Dosisreduktion halten einer Überprüfung oft nicht stand.2 Die wahre Stärke der KI liegt heute in der optimalen Positionierung im Isozentrum: Optische 3D-Kameras verhindern Fehlzentrierungen und Bow-Tie-Filterfehler, was die Dosis risikofrei um ca. 18 % senkt.1 Bei DLR sollte die Rauschunterdrückung maßvoll bleiben, um Weichteilläsionen nicht zu überglätten.3

Quellen

  1. Radiology. AI-Driven Automated Patient Positioning in CT: A Multicenter Randomized Trial on Radiation Dose and Off-Centering Artifacts. Radiology 2026; 318(2):e251892.
  2. Journal of Radiological Protection. Artificial intelligence for radiation dose reduction in computed tomography: a narrative synthesis of clinical evidence from 2020 to 2025. J Radiol Prot 2026; 46(1):ae475a.
  3. European Radiology. Task-based low-contrast lesion detectability in ultra-low-dose abdominal CT using deep learning reconstruction algorithms. Eur Radiol 2026; 36:2140–2151.
  4. İlişkili DoseSave yazıları: FBP, İteratif ve DLR · DLR Literatür Yorumu · AEC ve Hasta Merkezleme

Sıkça Sorulan SorularFrequently Asked QuestionsHäufig gestellte FragenPreguntas frecuentes

Wie senkt künstliche Intelligenz die Strahlendosis bei der CT?

KI spart Dosis an 3 Stellen: 1) 3D-Kameras zentrieren den Patienten exakt im Isozentrum, was Bow-Tie-Filterfehler verhindert (15–20 % Ersparnis), 2) Deep Learning (DLR) reduziert Rauschen bei niedrigerem mAs (~20 % Ersparnis), 3) Automatische Kollimation begrenzt den Scanbereich auf das Notwendige.

Was ist die größte Falle bei Deep Learning Rekonstruktion (DLR)?

Die größte Gefahr ist eine zu aggressive Dosisreduktion. Das Bild wirkt zwar glatt und rauschfrei, aber feine Niedrigkontrastläsionen (z. B. Lebermetastasen) können vom neuronalen Netz fälschlicherweise als Rauschen weggefiltert werden ('Plastik-Effekt').

Hinweis: Dieser Inhalt dient der Ausbildung; für klinische Entscheidungen oder die Einhaltung von Vorschriften konsultieren Sie eine qualifizierte Medizinphysik-Expertin bzw. einen Experten sowie die geltenden Bestimmungen.

← Alle Artikel