Heute wird die KI deutlich umfangreicher eingesetzt: Mal ist der Einsatz von KI offensichtlich und mal arbeitet sie im Hintergrund. MTRs merken, dass sie weniger Klicks benötigen oder Arbeitsschritte von der KI übernommen werden. Im Folgenden werden Beispiele aufgeführt, die zeigen, wie die KI in den CTs von Canon Medical die Arbeit der Radiologen und Anwender unterstützt und somit die Patientenversorgung verbessert.
KI reduziert die Klicks und spart Dosis: instinktive Scanplanung mittels 3D‑Landmarkscan und automatischer Organerkennung
Die automatische Definition (Start und Ende) des Scanbereiches basiert bei den neuen CTs mit der neuen INSTINX‑Bediensoftware auf einem Ultra-Low-Dose-Helical-Scan (3D-Landmarkscan) in Verbindung mit dem dosissparenden Silver Beam und einer anschließenden KI-basierten automatischen Landmarkdetektion (ALD). Diese Technologien führen dazu, dass zum Beispiel bei Thorax-Abdomen-CTs die dann applizierte diagnostische Dosis im Median um 23,3 % geringer ist als bei manueller Eingrenzung des Scanbereiches.¹ Aktuell (Mai 2026) bieten die neuen INSTINX-CTs als einzige am Markt diese besondere Funktionalität an.² INSTINX, das neue CT-Interface von Canon Medical, ermöglicht eine intuitive, gar eine instinktive Bedienung der CTs. Anwender reagieren sehr positiv auf das neue Bedienkonzept.
Darüber hinaus wird mit INSTINX die Anzahl der Arbeitsschritte reduziert. MTRs müssen einfach weniger oft klicken und weniger Entscheidungen treffen, da die neue Software ihnen viele Schritte abnimmt – so können die Zeiten für die Bedienung des CTs um bis zu 34 % bzw. die Untersuchungszeit um bis zu 43 % reduziert werden.³
Eine weitere Anwendung der KI ist die neue Rekonstruktion PiQE, die zu einer höheren Auflösung führt. Eine höhere räumliche Auflösung benötigt üblicherweise kleinere Voxel, dünnere Schichten und schärfere Rekonstruktionskerne – oft zum Preis von mehr Bildrauschen oder einer höheren Strahlendosis. Die Canon KI-basierte PiQE-Technik (Precise Image Quality Engine) löst diesen Gegensatz mit einer auf Super-Resolution trainierten Deep-Learning-Rekonstruktion und rekonstruiert Bilder mit einer 1.024er-Matrix, ohne dass die Röntgendosis dafür erhöht werden muss.⁴
KI überwindet Zielkonflikt: höhere Auflösung mit 1.024er-Matrix ohne höhere Dosis dank neuer PiQE-Technlogie
Anders als andere Nachverarbeitungsalgorithmen ist PiQE nicht primär als Rauschreduktion konzipiert. Der Schwerpunkt liegt auf der präzisen Rekonstruktion hochfrequenter Bildinformationen, also auf Strukturgrenzen, kleinen Gefäßen, feinen Bronchialverzweigungen und anderen Detailstrukturen. Die Rekonstruktion kann mit einer 1.024er-Matrix erfolgen; gegenüber einer 512er-Matrix verdoppelt sich damit die Zahl der Bildpunkte je Raumrichtung und es steht eine vierfach größere Pixelzahl pro Schicht zur Verfügung. Entscheidend ist jedoch nicht die Matrix allein: Eine größere Matrix ohne ausreichende, physikalisch vorhandene Bildinformation liefert lediglich kleinere, nicht zwangsläufig aussagekräftigere Pixel. Der klinische Anspruch von PIQE besteht deshalb darin, die vorhandene Detektor- und Akquisitionsinformation durch eine lernbasierte Rekonstruktion in eine nutzbare, diagnostisch relevante Detailzeichnung zu überführen.
Die erste Generation der Deep-Learning-Rekonstruktion AiCE zielte vor allem darauf, Bildrauschen und Artefakte zu reduzieren und dabei eine natürlichere Textur als stark iterative Verfahren zu bewahren. PIQE erweitert dieses Prinzip in Richtung räumlicher Auflösung: eine Super-Resolution-Deep-Learning-Rekonstruktion. Das neuronale Netz wurde mit hochaufgelösten Referenzdaten trainiert: Dazu dienten Ultra-High-Resolution-CT-Aufnahmen mit 0,25-mm-Akquisition; die Eingabeseiten bildeten daraus abgeleitete, in der Auflösung reduzierte Daten mit 0,5-mm-Charakteristik. Das neuronale Netz lernt somit nicht, ein Bild nur zu verschönern, sondern die Beziehung zwischen einer klinischen Datengrundlage und einer hochaufgelösten Referenzrekonstruktion. Die Verarbeitung erfolgt dreidimensional. Das ist für die CT wesentlich: Kleine Koronararterien, Bronchien oder Gefäße dürfen nicht nur in der axialen Ebene scharf erscheinen, sondern müssen auch über benachbarte Schichten hinweg plausibel und kontinuierlich abgebildet werden. Ein dreidimensional trainiertes Netz kann räumliche Nachbarschaften in der Schichtebene und entlang der z-Achse berücksichtigen. PIQE ist damit keine nachträgliche Bildschärfung im Sinne eines Kantenfilters. Es ist ein datengetriebener Rekonstruktionsschritt, der Signalstrukturen und Rauschen unter Einbeziehung eines gelernten Referenzmodells voneinander trennt.⁵
Kardiale CT: kleinere Strukturen besser beurteilbar mit PiQE 1.024
Die kardiovaskuläre CT ist das klinisch naheliegendste Einsatzgebiet für PIQE 1.024. Koronararterien haben kleine Durchmesser, bewegen sich während der Akquisition und können durch Kalk oder Stentmaterial überlagert sein. Gerade hier treffen eine hohe räumliche Auflösung, ausreichende Kontrast-zu-Rausch-Verhältnisse und eine stabile Darstellung über verschiedene Herzphasen aufeinander. Wenn harte Plaques oder Stents den realen Lumendurchmesser überstrahlen, kann ein Blooming-Artefakt entstehen. Die Folge kann eine Überschätzung des Stenosegrads oder eine eingeschränkte Beurteilbarkeit des Stentlumens sein. Durch eine schärfere Abbildung von Hochkontrastgrenzen kann PIQE 1.024 die Trennung zwischen Kalk, Stent und kontrastiertem Lumen verbessern.
Die Koronar-CT stellt besonders hohe Anforderungen an die zeitliche Auflösung. Bereits kleine Bewegungen der Herzkranzgefäße können zu Unschärfen, Doppelkonturen oder stufenförmigen Artefakten führen. Das erschwert insbesondere die Beurteilung kleiner Gefäßabschnitte, verkalkter Plaques und koronarer Stents. Hohe oder unregelmäßige Herzfrequenzen verschärfen dieses Problem.
NEU: CLEAR Motion Cardiac für die Canon Volumen-CTs
CLEAR Motion Cardiac von Canon Medical ist eine KI-gestützte, rohdatengestützte Bewegungskorrektur für die kardiale CT. Die Technologie analysiert die während der Aufnahme erfassten Projektionsdaten, bestimmt daraus die Bewegung des Herzens und erstellt eine Bewegungsvektorkarte. Diese Informationen werden unmittelbar bei der Bildrekonstruktion verwendet, um bewegte anatomische Strukturen möglichst positionsgetreu darzustellen.
Bei der konventionellen Herz-CT wird häufig aus mehreren Zeitpunkten des Herzzyklus die Phase mit den geringsten Bewegungsartefakten ausgewählt. Dafür kann ein erweitertes Rekonstruktions- beziehungsweise Aufnahmefenster – das sogenannte Padding – erforderlich sein. Dies erzeugt zus.tzliche Daten, kann den Arbeitsaufwand erhöhen und kann je nach Protokoll mit einer höheren Strahlenexposition verbunden sein.
CLEAR Motion Cardiac setzt dagegen direkt an einer einzelnen Herzphase an. Die Bewegungskorrektur ist in die Rekonstruktion des CT-Systems integriert und benötigt kein zusätzliches Padding für die Korrektur.tzliches Padding für die Korrektur. Dadurch soll eine robuste Ein-Herzschlag-Untersuchung auch unter anspruchsvolleren Bedingungen ermöglicht werden.⁶
CLEAR Motion hat viele Anwendungen
Der größte Nutzen liegt in der koronaren CT-Angiographie, insbesondere bei hohen oder schwankenden Herzfrequenzen, bei Herzrhythmusstörungen, bei Patienten, die keine Betablocker erhalten können, und für die Diagnostik bei stark verkalkten Koronararterien, bei kleinen oder schnell bewegten Gefäßabschnitten und insbesondere bei koronaren Stents. CLEAR Motion verbessert die diagnostische Qualität der koronaren CT-Angiographie durch eine effektive Reduktion von Bewegungsartefakten. Dies ermöglicht eine zuverlässigere Beurteilung der Koronararterien, erhöht die diagnostische Sicherheit bei der Stenoseanalyse und verbessert die Bildqualität auch bei Patienten mit hohen Herzfrequenzen oder Arrhythmien.
Damit adressiert CLEAR Motion eine der zentralen Herausforderungen der Herz-CT: diagnostisch verwertbare, bewegungsarme Koronarbilder auch dann zu erzeugen, wenn die Aufnahmebedingungen nicht ideal sind.
¹ Golbus AE, Schuzer JL, Steveson C et al (2024) Reduced dose helical CT scout imaging on next generation wide volume CT system decreases scan length and overall radiation exposure. Eur J Radiol Open 13:100578
² Ziegelmayer, S., Lemke, T., Graf, M. et al. TOPOS: target organ prediction on scout views for automated CT scan planning. Eur Radiol (2026). https://doi.org/10.1007/s00330-026-12623-3
³ Benbow M, Foden A, Thomas S, Bull R, McLennan L, Condron M et al. INSTINX, an AI-assisted workflow for enhanced efficiency: Coronary CT angiography experience. Canon Medical Systems Europe, 2026. White Paper MWPCT0017EC
⁴ Singh G, Sagheer U, Vedamurthy D, Daniels M, Kalra D, et al. Comparing PIQE and AiCE Deep Learning Reconstruction Algorithms in Cardiac Imaging. J Cardiovasc Comput Tomogr. 2026;20(4 Suppl):S21Boedeker K. PIQE Precision-Trained Deep Learning: Redefining Cardiac Imaging. Canon Medical Systems Corporation; 2021. White Paper MWPCT0008EA
⁵ Hernandez AM et al. Validation of synthesized normal-resolution image data generated from high-resolution acquisitions on a commercial CT scanner. Med Phys. 2020;47(10):4775-4785
⁶ Zhou J, Yu Z, Cai L. CLEAR Motion Cardiac: Deep Learning Raw Data-based Motion Correction. Canon Medical Systems Corporation, 2025. White Paper MWPCT0015EA
