Veranstaltungen 2026/27

  • 19. August 2026, 10:21
12. November – 13. November 2026
18. Radiologie Kongress Ruhr 2026
Dortmund
http://www.radiologiekongressruhr.de
.
16. November – 19. November 2026
Medica 2026
Düsseldorf
.
19. November – 20. November 2026
Seminar für Skelettradiologie
(Teilnehmer begrenzt)
.
29. November – 03. Dezember 2026
RSNA 2026
Chicago (USA)
http://www.rsna.org
.
22. Januar – 23. Januar 2027
Münchner Radiologie Symposium 2027
München
.
30. Januar – 06. Februar 2027
24. Arthroskopie und Diagnostikkurs
Wolkenstein
.
19. Februar – 20. Februar 2027
Radiologiekongress Nord 2027
Bremen
.
03. März – 07. März 2027
European Congress of Radiology (ECR)
Wien
http://www.myesr.org
.
10. März – 19. Juni 2027
108. Deutscher Röntgenkongress 2027 Online Programm
.
07. April – 10. April 2027
65. Jahrestagung der Deutschen Gesellschaft für Nuklearmedizin
Münster
.
April 2027 – der genaue Termin ist noch nicht bekannt
Neuroradiologie Aktuell 2027
Hamburg
.
23. April – 24. April 2027
Jahrestagung der DGMSR 2027
Berlin
.
05. Mai – 07. Mai 2027
108. Deutscher Röntgenkongress Präsenz-Kongress
Leipzig
http://www.roentgenkongress.de
.
08. Mai – 13. Mai 2027
ISMRM+ISMRT  Annual Meeting
Vancouver, BC, Canada
.
24. Juni – 26. Juni 2027
ESSR 2027
Manchester (England)

Photonen-Counting-CT – ein Quantensprung?

  • 19. Juli 2026, 13:12

Die Einführung der Photon-Counting-CT stellt weit mehr als ein einfaches technisches Upgrade dar – sie leitet einen fundamentalen Wandel in der radiologischen Praxis ein.

Die spektrale Bildgebung bietet im klinischen Routinebetrieb handfeste Vorteile: Patientinnen und Patienten profitieren von einer überlegenen Bildqualität, einer spürbaren Senkung der Strahlendosis sowie einem reduzierten Kontrastmitteleinsatz. Für die Radiologieteams wiederum bedeutet die Technologie eine präzisere, effizientere und insgesamt angenehmere Diagnostik.

Photon-Counting – was steckt technisch dahinter?

Gängige CT-Systeme nutzen bis heute vorwiegend energieintegrierende Detektoren. Bei diesen erzeugt jedes eintreffende Röntgenphoton zunächst ein Lichtsignal, das erst danach elektronisch verarbeitet wird. Das Verfahren ist zwar bewährt und robust, stößt jedoch an physikalische Grenzen.

Ein zentraler Engpass liegt in der Reaktionszeit der Szintillatoren:

Selbst hochmoderne Materialien benötigen etwa 10.000 Nanosekunden zur Lichterzeugung. Im selben Zeitfenster treffen jedoch rund 30.000 Photonen auf ein einzelnes Detektorelement. Rechnerisch bleiben damit bloß circa 8 Nanosekunden pro Photon – viel zu wenig für eine Einzelmessung.

Die Folge: Der Detektor gibt lediglich ein aufsummiertes, energiegewichtetes Gesamtsignal aus, bei dem feine Energieunterschiede der einzelnen Photonen verloren gehen.

Photon-Counting-Detektoren verfolgen einen grundlegend anderen Ansatz. Sie verzichten auf den Umweg über das Licht und wandeln jedes Photon direkt in elektrische Ladung um. Die Stärke dieser Ladung korreliert exakt mit der Photonenenergie: Niedrige Energien erzeugen wenig Ladung, hohe Energien entsprechend mehr.

Der Nutzen liegt auf der Hand: Jedes Photon wird individuell registriert und zugleich energetisch einsortiert.

Symbolische Darstellung eines Photonen-CT

Dadurch stehen spektrale Informationen automatisch bereit, ganz ohne zusätzliche Dual-Energy-Modi oder Hilfstechnologien.

Diese Technik bildet das Fundament für die nächste Generation der Computertomographie und ermöglicht präzisere, differenziertere sowie effizientere Bilddaten.
Der ganze Artikel als PDF:

Photon-CT

Large Language Models (LLM) in der Radiologie

  • 22. November 2024, 11:39

AG Informationstechnologie in der deutschen Röntgengesellschaft

Large Language Models (LLM) in der Radiologie

Wenn KI den Befund mitschreibt – Auszüge aus der AGIT-Diskussion zu LLMs in der Radiologie

Strukturierte Befundung gilt für Manchen als Qualitätsstandard in der Radiologie: vollständiger, klarer, besser auswertbar. Trotzdem dominiert in der Praxis noch immer das schnelle Freitextdiktat – schlicht, weil es effizient ist. Doch nun scheint sich das Blatt zu wenden: Große Sprachmodelle (Large Language Models, LLMs) eröffnen neue Wege, die das Beste aus beiden Welten vereinen könnten.

In der jüngsten Diskussionsrunde der AG Informationstechnologie der Deutschen Röntgengesellschaft (@GIT) wurde deutlich, dass das Thema an Fahrt aufnimmt.

Wie das in der Praxis aussehen kann, zeigten Beiträge aus der Forschung und dem klinischen Alltag. Ein Projektteam aus Freiburg präsentierte eine Plattform, die mit Hilfe von LLMs den gesamten Befundprozess automatisiert: vom Abruf relevanter Patientendaten über die strukturierte Anamnese bis zur KI-gestützten Befundvorlage. Radiologinnen und Radiologen können weiter frei diktieren – das System übernimmt die Strukturierung im Hintergrund. „Man soll gar nicht merken, dass man strukturiert befundet“, hieß es dazu augenzwinkernd.

Besonders spannend: Die Plattform arbeitet auf Basis des internationalen FHIR-Standards, wodurch Befunde nicht nur lesbar, sondern auch maschinenverarbeitbar werden. Erste Tests zeigten, dass strukturierte, mittels LLM verarbeitete Texte vollständiger und weniger fehleranfällig sind als Freitextberichte.

Ein zentrales Diskussionsthema war – wenig überraschend – der Datenschutz. Während einige forderten, LLMs künftig lokal in den Kliniken zu betreiben, verwiesen andere auf die hohen technischen Hürden. Eine datenschutzkonforme Cloud-Infrastruktur, wie sie derzeit in Deutschland entsteht, könnte hier einen praktikablen Mittelweg bieten.

Am Ende war man sich einig: Strukturierte Befundung ist keine Zukunftsmusik mehr, sondern steht kurz vor der Alltagstauglichkeit.

Der vollständige Artikel, veröffentlich bei der AG Informationstechnologie der DRG:

2025-11-LLM-Wenn KI den Befund mitschreibt | AG Informationstechnologie

https://www.agit.drg.de/de-DE/11290/wenn-ki-den-befund-mitschreibt/