Scanner zeichnen keine Bilder auf, sondern Rohdaten (k-Raum in der MRT, Projektionen in der CT, Koinzidenzen in der PET). Die klassische Rekonstruktion tauscht Scanzeit oder Strahlendosis gegen Rauschen und Artefakte. Die Deep-Learning- Rekonstruktion (DLR) lernt, aus weniger Daten diagnostische Qualität wiederherzustellen; MRT-Untersuchungen werden so deutlich kürzer und CT-/PET-Dosen niedriger, während Durchsatz und Patientenkomfort steigen. Sie wird mit dem Scanner gekauft, als Teil der Modalität zertifiziert und liegt vor der Bildbefundung (HLTH-001).
Problem & Nutzen
- Heute: Die MRT ist langsam (lange Untersuchungen, Bewegungsartefakte, Warteschlangen); die CT- und PET-Dosis ist durch das ALARA-Prinzip begrenzt, und das Rauschen steigt, wenn die Dosis sinkt. Parallele Bildgebung und Compressed Sensing erlauben bereits eine gewisse Unterabtastung, aber nur mit begrenzter Beschleunigung, bevor die Bildqualität leidet.
- KI-Nutzen: Die DLR entfernt Rauschen und Aliasing aus unterabgetasteten oder dosisreduzierten Daten. Hersteller berichten von verkürzten MRT-Scanzeiten von etwa 30-70 % je nach Sequenz und von deutlich geringerer CT-/PET- Dosis bei vergleichbarer Bildqualität; die genauen Zahlen hängen von Sequenz, Körperregion und Standort ab und sollten den klinischen Belegen der Hersteller und Ihrer eigenen Validierung entnommen werden [1][2][3].
- Betrieblicher Nutzen: mehr Termine je Scanner und Tag, weniger Wiederholungen wegen Bewegung, bessere Verträglichkeit für Patienten mit Platzangst, Kinder oder akut Kranke und geringere Dosis bei wiederholter Bildgebung.
- Offene Forschungsbasis: Die fastMRI-Initiative (NYU Langone und Meta AI) hat k-Raum-Rohdaten und Wettbewerbe veröffentlicht, die das Feld vereinheitlicht haben [4][5].
Varianten
- MRT: beschleunigte Protokolle für Knie, Gehirn, Wirbelsäule, Herz und Prostata; 3D- und Multikontrast-Sequenzen; Niedrigfeld-MRT, bei der die DLR das niedrige SNR ausgleicht.
- CT: Deep-Learning-Bildrekonstruktion (DLIR) für Niedrigdosis-CT von Thorax, Abdomen, Kindern und Herz; Entrauschung bei photonenzählender CT.
- PET/PET-CT: kürzere Aufnahmen oder geringere Tracer-Aktivität durch Entrauschen.
- Nur Forschung: durchgängig trainierte entfaltete Netze und diffusionsbasierte Vorannahmen auf öffentlichen Datensätzen.
- Angrenzend: rein nachgelagertes Entrauschen oder Hochskalieren bereits rekonstruierter Bilder ist eine eigene, einfachere Produktklasse; Hochskalierung für Endkunden ist GEN-011 und nicht medizinisch.
So funktioniert es
- patient positioning + protocol (undersampled sequence / low-dose technique)
- raw data acquisition (multi-coil k-space | CT projections | PET events)
- data consistency + DL reconstruction network on the scanner's recon computer/GPU
- optional denoise / sharpen / super-resolution stage
- DICOM images + QA metrics
- PACS
- radiologist/technologist review (repeat or fall back to conventional recon if needed)
- Kernmodelle: entfaltete Optimierungsnetze (Variational Network, Stil E2E-VarNet), die CNN-Regularisierer mit einem Datenkonsistenzschritt gegen die gemessenen Rohdaten abwechseln; U-Net-/ Transformer-Entrauscher für CT/PET; in der Forschung zunehmend diffusions- oder score-basierte Vorannahmen.
- Datenkonsistenz ist der Sicherheitshebel: Die Ausgabe muss den gemessenen Daten treu bleiben, nicht nur plausibel aussehen.
- Mensch-in-der-Schleife (Human-in-the-Loop): Die MTRA prüft die Bildqualität an der Konsole; Radiologen befunden die Bilder und können eine konventionelle Rekonstruktion anfordern; das Protokoll wird vom Medizinphysiker und vom leitenden Radiologen freigegeben.
Datenaufbereitung
Die Rekonstruktion läuft im Scanner auf Rohdaten (k-Raum, Sinogramme), daher gibt es auf Kundenseite praktisch keine Datenaufbereitung. Das Modell hat der Hersteller trainiert. Die Klinik bereitet die Abnahme- und Validierungsdaten vor: Referenzprotokolle, Phantomscans und einen Satz von Vergleichsuntersuchungen im PACS.
Typische Lücken: Protokolle, die sich zwischen Scannern und Standorten unterscheiden, fehlende Dokumentation, welche Sequenz welche Rekonstruktion nutzt, und Rohdaten, die nach wenigen Tagen gelöscht werden, sodass ein Vergleich nebeneinander später unmöglich ist. Die Zugriffsrechte auf Scannerkonsole und PACS laufen oft über gemeinsam genutzte Konten.
Schritte der Aufbereitung: (1) die aktuellen Protokolle und Bildqualitätskriterien je Untersuchung dokumentieren; (2) mit dem Hersteller Phantommessungen und Abnahmetests vereinbaren; (3) 20 bis 30 Patientenuntersuchungen für den verblindeten Vergleich von konventioneller und KI-Rekonstruktion durch zwei Radiologen auswählen, siehe PREP-018; (4) Rohdaten für den Validierungszeitraum aufbewahren; (5) Benutzerkonten bereinigen, siehe PREP-023.
Grober Aufwandsanteil: unter 10 Prozent des Gesamtaufwands, überwiegend Arbeitszeit von Radiologen und Physikern für die Validierung. Keine Werkzeuge außer PACS, Scannerkonsole und einem Bogen zum Vergleich der Befundung. Siehe GUIDE-003 für eine kurze Prüfung der Voraussetzungen.
Umsetzungswege
Welcher Weg für wen
- Enterprise (Klinikverbünde, Radiologiepraxen, Bildgebungszentren): Weg A, weil die Deep-Learning-Rekonstruktion eine Funktion der Scannerhersteller ist, bereits CE-gekennzeichnet und auf die jeweilige Hardware abgestimmt; sie lässt sich nicht von außen ergänzen.
- Entwickler: Weg C, weil offene Rekonstruktionsforschung (fastMRI, MONAI, PyTorch-Toolkits) zur Methodenentwicklung und Validierung passt, nicht zum klinischen Einsatz.
- Öffentlicher Sektor (Universitätskliniken, kommunale Kliniken): Weg A als Teil der Scannerbeschaffung, mit der KI-Lizenz in der Ausschreibung, weil zertifizierte Produkte der einzige klinisch nutzbare Weg sind.
Weg A — Kaufen (Standardsoftware) (Standard und fast die einzige klinische Option)
- Funktionen der Scanner-Hersteller, zusammen mit der Modalität zertifiziert: Siemens Healthineers Deep Resolve (MRT) und Deep Resolve in der CT; GE HealthCare AIR Recon DL (MRT) und TrueFidelity DL (CT); Philips SmartSpeed Precise (MRT) und Precise Image (CT); Canon Healthcare Advanced Intelligent Clear-IQ Engine (AiCE); United Imaging Rekonstruktion auf Basis von uAI; DLR für PET von Siemens/GE/Philips/Canon. Siemens Healthineers (DE) und Philips (NL) sind europäische Hersteller.
- Herstellerneutrale Zusatzprodukte: SubtlePET/SubtleMR (Subtle Medical), AIRS Medical SwiftMR, ClariPi (CT-Entrauschung), Hyperfine für die portable Niedrigfeld-MRT. Prüfen Sie die CE-Kennzeichnung und die Kompatibilität mit dem Scanner.
- Wählen Sie A, wenn: Sie klinische Scanner betreiben. Die Kaufentscheidung ist eine Modalitätsbeschaffung oder ein Software-Upgrade, mit einer von Anwendungsspezialisten geleiteten Einführung der Protokolle.
Weg B — Auf Cloud-KI-Diensten aufbauen
Für die Rekonstruktion selbst nicht anwendbar: Datenvolumen der Rohdaten, Latenz und die Zertifizierung als Medizinprodukt machen Cloud-APIs ungeeignet. Die Cloud ist nur für nachgelagerte QA-Analysen und Forschung mit anonymisierten Daten nützlich (z. B. Objektspeicher in EU-Regionen, MLflow, MONAI Deploy).
Weg C — Selbst betreiben (Open Source, nur Forschung und Validierung)
- Offene Frameworks: fastMRI-Referenzcode (PyTorch), MONAI (einschließlich MONAI Reconstruction), BART- Toolbox für klassische und gelernte Rekonstruktion, SigPy, Werkzeuge im Stil von ODL/TomoSAM, TIGRE und CIL für CT, STIR/PyTomography für PET, ISMRMRD für den Rohdatenaustausch, Gadgetron für Inline-Rekonstruktion.
- Einsatz: Methodenbewertung, Phantomstudien, Benchmarking gegen die DLR der Hersteller, Lehre. Der Einsatz solcher Modelle an Patienten macht Sie zum Hersteller eines Medizinprodukts (siehe Risiken).
- Hardware: HW3 (eine 48-141-GB-GPU) für 3D-Mehrspulen-Training/-Inferenz; HW2 für 2D-Forschung.
Weg D — Eigenes Training
Sinnvoll für Scannerhersteller, Forschungsgruppen und Medizintechnik-Start-ups. Erfordert große Sätze voll abgetasteter Rohdaten über Sequenzen, Feldstärken und Spulen hinweg, idealerweise über föderierte oder Konsortiumslösungen, dazu Phantom- und klinische Reader-Studien sowie ein MDR-konformes Qualitäts- managementsystem (ISO 13485, IEC 62304).
Stand der Technik (2026)
- Versorgungsstandard in neuen Scannern: Alle großen Hersteller liefern DLR als Standard oder als optionale Lizenz aus; neuere Generationen kombinieren sie mit KI-gestützter Aufnahme (automatische Positionierung, Bewegungskorrektur).
- Forschungsspitze: Entfaltete Netze bleiben der Maßstab in den fastMRI-Wettbewerben [5]; generative Vorannahmen (Diffusion) und Foundation-Modelle versprechen höhere Beschleunigung und Generalisierung über Anatomien und Scanner hinweg.
- Evidenz: Reader-Studien zeigen für gängige Protokolle meist eine nicht unterlegene diagnostische Qualität bei kürzeren Scanzeiten, die Evidenz zu kleinen oder subtilen Läsionen und seltenen Erkrankungen ist aber dünner.
- Grenzen und Fehlerbilder: Die DLR kann plausible, aber falsche Strukturen erzeugen (Halluzination) oder kleine echte entfernen, besonders bei starker Beschleunigung, unbekannter Pathologie, Metallimplantaten oder Spulen/Sequenzen außerhalb der Trainingsverteilung; Rekonstruktionsnetze können gegenüber kleinen Störungen instabil sein [6]. Eine geglättete, „plastische" Textur kann Radiomics-Merkmale und quantitative Messungen (Volumetrie, Perfusion, SUV) verändern, daher erfordern Verlaufsvergleiche über Protokolle hinweg Sorgfalt.
Gemeinsame Bausteine & Kombinationen
- Nachgelagerte Befundung: Die Radiologie-KI aus HLTH-001 arbeitet mit den rekonstruierten Bildern; prüfen Sie, dass die Modelle auf DLR-verarbeiteten Daten validiert wurden, da sich die Texturstatistik unterscheidet.
- HLTH-021 Konturierung und Planung in der Strahlentherapie nutzt CT/MRT mit eigenen Anforderungen an Dosis und Geometrie; die DLR darf die Geometrie nicht verzerren.
- HLTH-024 Ultraschall-KI teilt die Idee der KI am Ort der Aufnahme.
- HLTH-004 Entscheidungsunterstützung verarbeitet Bildbefunde nachgelagert.
- Gemeinsamer Stack: GPU-Rekonstruktionsserver, DICOM/PACS, ISMRMRD, MONAI, MLOps zur Drift-Überwachung.
Aufwand, Kosten & Kennzahlen
- Weg A: Softwarelizenz oder Teil einer Scannerbeschaffung; Wochen bis Monate für Protokoll- optimierung, Freigabe durch Radiologen und Schulung der MTRA. Kostentreiber: Lizenz je System/Sequenz, GPU-Rekonstruktionshardware, Zeit der Physik-QA.
- Weg C/D: viele Monate bis Jahre; großer Aufwand für Datenkuratierung, Regulierung und klinische Validierung.
- Kennzahlen: Minuten je Untersuchung, Untersuchungen je Scannertag, Wiederholungs-/Bewegungsnacharbeitsrate, CT-Dosis (DLP, CTDIvol) und PET-Aktivität, Bildqualitäts-Scores (Likert-Skala der Befunder, SNR, SSIM an Phantomen), diagnostische Übereinstimmung mit dem konventionellen Protokoll, Wartezeiten der Patienten.
Menschen & Veränderung
Binden Sie die Geschäftsleitung für Lizenz- und Scannerbudget ein und die Leitung der Radiologie als Prozessverantwortliche. Radiologen und MTRA sind die Anwender; der Medizinphysiker gibt die Protokolle frei. IT und IT-Sicherheit decken das Scannernetz ab, und die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte (DSB) wird informiert, weil Patientenbilder verarbeitet werden, auch wenn die Verarbeitung innerhalb der bestehenden klinischen Systeme bleibt.
Betriebsrat: meist nein. Die Rekonstruktion läuft im Scanner und wertet das Verhalten von Beschäftigten nicht aus, daher wird §87(1) Nr. 6 BetrVG normalerweise nicht ausgelöst. Relevant wird es, wenn der Hersteller Nutzungs-Dashboards ergänzt, die einzelne Bediener oder Befundungszeiten protokollieren; dann fragen Sie den Betriebsrat oder Personalrat. §90(1) Nr. 3 verlangt dennoch eine rechtzeitige Information, wenn sich Arbeitsabläufe (Protokolle, Durchsatz) ändern.
Datenschutz: Patientendaten sind besondere Kategorien personenbezogener Daten, aber die Verarbeitung ist vom Behandlungszweck gedeckt; prüfen Sie, ob der Fernservice des Herstellers Zugriff auf Bilder erhält, und schließen Sie einen AVV (Art. 28 DSGVO). Eine DSFA ist selten neu, aktualisieren Sie die bestehenden Unterlagen.
KI-Kompetenz: Fördern Sie die KI-Kompetenz des Personals nach Art. 4 KI-Verordnung (AI Act); schulen Sie Radiologen zu den typischen Artefakten der Deep-Learning-Rekonstruktion (Glättung, halluzinierte Details) und MTRA zu den neuen Protokollen. Vermitteln Sie den Nutzen: kürzere Untersuchungen, weniger Dosis. Pilotieren Sie mit einem Scanner und einer Körperregion und halten Sie die konventionelle Rekonstruktion als Rückfall bereit.
Leitfäden: GUIDE-006, GUIDE-009, GUIDE-014.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): Rekonstruktionssoftware ist ein Medizinprodukt (oder Bestandteil eines solchen) nach MDR (EU) 2017/745 mit Bewertung durch eine Benannte Stelle und damit ein Hochrisiko-KI-System nach Art. 6(1) und Anhang I; die Anforderungen des AI Act sind in die Konformitätsbewertung integriert und gelten für solche Produkte nach dem verlängerten Zeitplan für Anhang I (2. Aug. 2028, verschoben vom Aug. 2027 durch den Digital Omnibus on AI, Verordnung (EU) 2026/1744) [7][8]. Keine verbotene Praxis nach Art. 5.
- MDR/IVDR: Die DLR-Aussage (Dosis- oder Zeitreduktion bei gleichwertiger diagnostischer Qualität) muss durch eine klinische Bewertung belegt sein; Änderungen am Algorithmus oder an den Trainingsdaten können wesentliche Änderungen sein. Gesundheitseinrichtungen, die ein Modell außerhalb der Zweckbestimmung oder im eigenen Haus nutzen, fallen unter die Bedingungen von MDR Art. 5(5).
- DSGVO: Rohdaten und Bilder sind Gesundheitsdaten als besondere Kategorie (Art. 9); Training oder Zugriff durch Hersteller- Service/Fernwartung braucht eine Rechtsgrundlage, AVV und Anonymisierung. Der EHDS wird die Zweitnutzung von Bilddaten prägen.
- Strahlenschutz: Die Dosisreduktion muss der Optimierung und den diagnostischen Referenzwerten der EU-Euratom-Richtlinie 2013/59 folgen; Protokolländerungen erfordern die Freigabe durch den Physiker.
- Gegenmaßnahmen: phantombasierte Abnahme- und Konstanzprüfungen, konventionelle Rekonstruktion nebeneinander für eine Übergangszeit beibehalten, Reader-Studien am lokalen Fallmix, Drift-Überwachung nach dem Inverkehrbringen, Meldung von Vorkommnissen an den Hersteller, Dokumentation des Rekonstruktionstyps in den DICOM-Metadaten.
Erste Schritte
- Scannermodelle und Softwareversionen erfassen; bei den Herstellern erfragen, welche DLR-Optionen für sie CE-gekennzeichnet sind und welche Sequenzen/Regionen abgedeckt werden.
- 2-3 Protokolle mit hohem Aufkommen (z. B. Knie, Lendenwirbelsäule, Niedrigdosis-Thorax-CT) als Pilot festlegen.
- Phantomtests und eine lokale Reader-Studie durchführen, die konventionelle und DLR-Protokolle vergleicht.
- Protokolle, Schulung der MTRA, QA-Pläne und DICOM-Kennzeichnung aktualisieren; nachgelagerte KI-Anbieter informieren.
- Zeit, Dosis und Wiederholungsraten monatlich verfolgen; Vorkommnisse mit dem Hersteller auswerten.
Quellen
- Siemens Healthineers — Deep Resolve — https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/technologies-and-innovations/deep-resolve
- GE HealthCare — AIR Recon DL — https://www.gehealthcare.com/en/campaigns/air-recon-dl
- Philips — SmartSpeed MRI acceleration — https://www.usa.philips.com/healthcare/technology/smartspeed-ai
- Zbontar et al. — fastMRI: An Open Dataset and Benchmarks for Accelerated MRI — https://arxiv.org/abs/1811.08839
- Muckley et al. — Results of the 2020 fastMRI Challenge for Machine Learning MR Image Reconstruction — https://arxiv.org/abs/2012.06318
- Antun et al. — On instabilities of deep learning in image reconstruction — PNAS 2020 — https://www.pnas.org/doi/10.1073/pnas.1907377117
- Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
- Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- MONAI — https://monai.io