Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 - Kongress für medizinische Radiologie und bildgeführte Therapie und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion
Jetzt buchen

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

Login

Poster-Session

IT

IT
Mittwoch, 13. Mai 2026 · 15:00 bis 15:30 Uhr
Diese Veranstaltung findet ausschließlich als Präsenzveranstaltung im Congress Center Leipzig (CCL) statt. Diese Veranstaltung kann nicht über einen Stream sondern nur vor Ort besucht werden.
13
Mai

Mittwoch, 13. Mai 2026

15:00 bis 15:30 Uhr · Raum: e-Poster Bereich  in Kalender übernehmen:   iCal  ·  Google
Kongress buchen

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Poster-Session
Thema
IT/ Bildverarbeitung / Software
Zielgruppe
Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss., Studenten

Zertifizierungen

Der RÖKO LEIPZIG wird im Rahmen einer Kongresszertifizierung durch die Sächsische LÄK bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Ablauf

15:00 - 15:03

Vortrag (Poster)

DBT-DINO: Ein Foundation Modell für die KI-basierte Analyse der digitalen Brust-Tomosynthese

Felix Dorfner

weitere Autoren

Manon A. Dorster (Boston, USA) / Ryan Connolly (Boston, USA) / Oscar Gentilhomme (Boston, USA) / Edward Gibbs (Boston, USA) / Steven Graham (Boston, USA) / Thomas Schultz (Boston, USA) / Manisha Bahl (Boston, USA) / Dania Daye (Madison, USA) / Albert E. Kim (Boston, USA) / Christopher P. Bridge (Boston, USA)

Zielsetzung

Foundation Modelle stellen eine vielversprechende Entwicklung in der KI-basierten Analyse radiologischer Bildgebung dar. Diese Arbeit entwickelte das erste Foundation Modell für digitalen Brust-Tomosynthese (DBT) und evaluierte es auf klinisch relevanten Aufgaben.

Material und Methoden

In dieser retrospektiven Studie wurden DBT-Aufnahmen verwendet, die zwischen 2011 und 2024 am Mass General Brigham, Boston, USA akquiriert wurden. DBT-DINO wurde auf Basis der DINOv2-Methodik mittels self-supervised Pre-Training auf 487.975 DBT-Aufnahmen von 27.990 Patientinnen trainiert. Das Modell wurde auf drei klinisch relevanten Aufgaben evaluiert: (1) Brustdichte-Klassifikation anhand von 5.000 Screening-Untersuchungen; (2) Vorhersage des 5-Jahres-Brustkrebsrisikos anhand von 106.417 Screening-Untersuchungen; und (3) Läsionsdetektion anhand des Duke University BCS-DBT Datensatzes mit 393 Aufnahmen. Die Performance wurde mit ImageNet-vortrainierten Baseline-Modellen verglichen. Für Dichte- und Risiko-Klassifikation wurde Linear Probing verwendet, für die Läsionsdetektion ein RetinaNet-basierter Detection Head.

Ergebnisse

Bei der Brustdichte-Klassifikation erreichte DBT-DINO eine Genauigkeit von 0,79 (95% KI: 0,76–0,81) und übertraf die DINOv2-Baseline (0,73, 95% KI: 0,70–0,76) sowie DenseNet-121 (0,74, 95% KI: 0,71–0,76). Bei der 5-Jahres-Brustkrebsrisiko-Vorhersage erzielte DBT-DINO eine AUROC von 0,78 (95% KI: 0,76–0,80) gegenüber DINOv2 mit 0,76 (95% KI: 0,74–0,78). Bei der Läsionsdetektion erreichte DBT-DINO eine durchschnittliche Sensitivität von 0,62 gegenüber DINOv2 mit 0,67, zeigte jedoch überlegene Performance bei malignen Läsionen.

Schlussfolgerungen

DBT-DINO demonstrierte robuste Performance bei Brustdichte-Klassifikation und Krebsrisiko-Vorhersage. Das domänenspezifische Pre-Training zeigte variable Vorteile bei der Läsionsdetektion. Die Optimierung der Repräsentation lokaler Features stellt eine zentrale Herausforderung für zukünftige Pre-Training-Strategien dar. DBT-DINO wird open-source zur Verfügung gestellt.
15:03 - 15:06

Vortrag (Poster)

Intelligente Kollimation: Wie Deep Learning die Röntgendiagnostik unterstützen kann

Lennart Berkel (Lübeck)

weitere Autoren

Dominik Mairhöfer (Lübeck) / Manuel Laufer (Lübeck) / Malte Sieren (Lübeck) / Arpad Bischof (Lübeck) / Erhardt Barth (Lübeck) / Thomas Martinetz (Lübeck) / Jörg Barkhausen (Lübeck)

Zielsetzung

Die korrekte Einstellung der Kollimation ist in der konventionellen Röntgendiagnostik entscheidend für die Bildqualität und den Strahlenschutz. Fehleinstellungen führen zu Wiederholungsaufnahmen und unnötiger Strahlenexposition. Ziel dieser Studie war die Entwicklung eines KI-basierten Workflows zur automatischen Kollimation unter Verwendung von Tiefenkameras und tiefen neuronalen Netzen.

Material und Methoden

Eine Tiefenkamera wurde an einer Röntgenröhre montiert und erfasste synchron zur Röntgenaufnahme im klinischen Betrieb ein Tiefenbild des Untersuchungsbereichs. Es wurden prospektiv 59 Bildpaare von Tiefen- und Röntgenbildern des Thorax akquiriert - 30 posterior-anterior (p.a.), 29 lateral. Ein erfahrener Radiologe annotierte auf den Röntgenbildern den diagnostisch relevanten Bildbereich als Polygon. Um eine praxisnahe Definition der Kollimation zu erhalten, wurde das jeweils kleinste umschließende Rechteck als optimale Kollimation festgelegt. Mithilfe der räumlichen Kalibrierung der Tiefenkamera wurde diese Annotation in den Tiefenbildraum übertragen. Die so gewonnenen annotierten Tiefenbilder dienten als Trainingsgrundlage für ein Segmentierungsmodell (UNet++) zur Prädikation der optimalen Kollimation. Im Rahmen einer fünffachen Kreuzvalidierung wurde das Modell auf 80 % der Daten trainiert und auf 20 % getestet.

Ergebnisse

Das UNet++-Modell erreichte bei p.a. Aufnahmen einen mittleren Jaccard-Index von 84,38 ± 2,13 % und eine pixelweise Sensitivität von 93,38 ± 3,40 %, bei lateralen Aufnahmen einen Jaccard-Index von 81,45 ± 2,66 % und eine pixelweise Sensitivität von 90,28 ± 1,55 %.

Schlussfolgerungen

Die Ergebnisse demonstrieren das Potenzial für ein Assistenzsystem, das mithilfe einer außen montierten Tiefenkamera die optimale Kollimation bereits vor der Röntgenexposition abschätzt. Aufgrund der begrenzten Datengrundlage und der Fokussierung auf Thorax Projektionen ist eine prospektive Evaluation erforderlich.
15:06 - 15:09

Vortrag (Poster)

Das Expertise-Paradox: Wer profitiert von LLM-gestützter Kopf-MRT-Differenzialdiagnostik?

Su Hwan Kim

weitere Autoren

Severin Schramm (München) / Bastien Le Guellec (Lille) / Marlene Topka (München) / Mortimer Svec (München) / Paul Backhaus (München) / Viktor Eisenkolb (München) / Evamaria Riedel (München) / Mirjam Beyrle (München) / Paul Platzek (München) / Constanze Ramschütz (München) / Martin Renz (München) / Jannis Bodden (München) / Jan Kirschke (München) / Sebastian Ziegelmayer (München) / Felix Busch (München) / Marcus Makowski (München) / Lisa Adams (München) / Keno Bressem (München) / Dennis Hedderich (München) / Benedikt Wiestler (München)

Zielsetzung

Ziel dieser Studie war es zu untersuchen, wie die Erfahrung der Befundenden den diagnostischen Nutzen einer Unterstützung durch ein Large-Language-Modell (LLM) bei der Differentialdiagnostik im Kopf-MRT beeinflusst.

Material und Methoden

Neuroradiologen (n = 4), radiologische Assistenzärzte (n = 4) sowie Neurologie-/Neurochirurgie-Assistenzärzte (n = 4) wurden rekrutiert. Ein Datensatz von Kopf-MRT-Fälle wurde aus der lokalen Bilddatenbank kuratiert (n = 40). Für jeden Fall gaben die Teilnehmer eine textuelle Beschreibung des Hauptbefundes sowie ihre drei wichtigsten Differenzialdiagnosen ab. Drei moderne Large-Language-Modelle (GPT-4.1, Gemini 2.5 Pro, DeepSeek-R1) wurden genutzt, um auf Basis der klinischen Fallinformationen und der teilnehmer-spezifischen Bildbeschreibung die Top-3 Differentialdiagnosen zu generieren. Anschließend revidierten die Teilnehmer ihre initialen Differenzialdiagnosen nach Sichtung der Diagnosevorschläge von GPT-4.1. Zur Bewertung des Zusammenhangs zwischen Erfahrung und diagnostischem Nutzen wurde ein kumulatives Link-Mixed-Model (CLMM) angepasst.

Ergebnisse

LLM-generierte Differenzialdiagnosen erreichten die höchste Top-3-Genauigkeit bei Eingaben von Neuroradiologen (Top-3: 78.8–83.8 %), gefolgt von radiologischen Assistenzärzten (Top-3: 71.8–77.6 %) und Neurologie/Neurochirurgie-Assistenzärzten (Top-3: 62.6–64.5 %). Der mittlere relative Zugewinn in der Top-3-Genauigkeit durch LLM-Unterstützung nahm mit zunehmender Erfahrung ab (Neurologie/Neurochirurgie-Assistenzärzten: +19.2%, Radiologie-Assistenzärzte: +14.7%, Neurologie-/Neurochirurgie-Assistenzärzte: +4.4%). Das CLMM zeigte einen signifikant negativen Zusammenhang zwischen Erfahrung und diagnostischem Nutzen durch LLM-Unterstützung (β = −0.10, p = 0.005).

Schlussfolgerungen

Die Ergebnisse zeigen die Diskrepanz zwischen isolierter LLM-Performance und klinisch relevantem Nutzen für Befundende und unterstreichen die Notwendigkeit, Mensch-KI-Interaktion in diesem Kontext zu berücksichtigen.
15:09 - 15:12

Vortrag (Poster)

KI-gestützte Erkennung von Endometriose in der MRT

Philipp Michaelides (Gießen)

weitere Autoren

Aaron Moser (Gießen) / Viet Duc Vu (Gießen) / Gabriele Krombach (Gießen) / Sebastian Harth (Gießen)

Zielsetzung

Die MRT ist das zentrale Verfahren zur nicht-invasiven Diagnostik der Endometriose, doch die variablen Signal- und Morphologiemuster erschweren die Beurteilung, insbesondere bei geringer Befundungserfahrung. Ziel dieser Studie ist die Entwicklung eines Deep-Learning-Modells, das bei der Erkennung von Endometriose in Becken-MRT-Aufnahmen unterstützt.

Material und Methoden

Es wurden retrospektiv MRT-Datensätze von 497 Patientinnen analysiert (261 mit, 236 ohne Endometriose). Die Ground Truth wurde anhand des Befundes erfahrener Radiologen festgelegt.
Es wurden T2-gewichtete sagittale und axiale Sequenzen sowie T1-gewichtete axiale Aufnahmen mit Fettsättigung verwendet. Das auf DenseNet-121 basierende Modell wurde mit dem MONAI-Framework trainiert und im Verhältnis 70:15:15 in Trainings-, Validierungs- und Testgruppen unterteilt. Die Performance wurde anhand von Loss, AUC, Accuracy, Precision, Recall und F1-Score bewertet.

Ergebnisse

Das Modell erreichte im Testdatensatz eine AUC von 0,78. Endometriose kann bei einer Recall (Sensitivität) von 0,96 zuverlässig detektiert werden, die eingeschränkte Precision (Genauigkeit) von 0,59 und Spezifität von 0,28 deuten jedoch auf eine hohe falsch-positiven-Rate hin.

Schlussfolgerungen

Diese Studie zeigt, dass die KI-gestützte Klassifikation tief infiltrierender Endometriose (TIE) im MRT möglich ist und eine hohe Sensitivität liefert. Die derzeit noch geringe Spezifität könnte mit Optimierungsschritten, wie Erweiterung des Datensatzes und gezielter Vorverarbeitungsschritten verbessert werden. Eine automatisierte Endometriose-Bewertung könnte die Befundung standardisieren, als Second-Reader-System dienen und insbesondere in Zentren ohne subspezialisierte Radiologinnen und Radiologen hilfreich sein.
15:12 - 15:15

Vortrag (Poster)

Vergleich von Zero-Shot-multimodalen Large-Language-Modellen und einem Convolutional Neural Network zur Erkennung pädiatrischer Handgelenksfrakturen auf Röntgenaufnahmen

Matteo Haupt

weitere Autoren

David Weiss (Oldenburg) / Tim Bellersen (Oldenburg) / Martin Maurer (Oldenburg)

Zielsetzung

Multimodale Large-Language-Modelle (LLMs) können neben Text auch visuelle Inhalte verarbeiten und werden zunehmend hinsichtlich ihres Potenzials für die radiologische Bildanalyse diskutiert. Ziel dieser Studie war es, die diagnostische Leistungsfähigkeit solcher LLMs im Vergleich zu einem domänenspezifisch trainierten Convolutional Neural Network (CNN) bei der Erkennung pädiatrischer Handgelenksfrakturen systematisch zu bewerten.

Material und Methoden

Es wurde die öffentliche GRAZPEDWRI-DX-Datenbank (20 327 Röntgenaufnahmen, 6 091 Patient:innen) genutzt. Ein balancierter Testdatensatz (1 000 Patient:innen; 500 mit, 500 ohne Fraktur) diente der identischen Evaluation aller Modelle. Das CNN (InceptionV3) wurde in zwei Trainingsstufen entwickelt. Drei multimodale LLMs (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro) wurden im Zero-Shot-Setting über offizielle APIs mit standardisiertem Prompting getestet. Bewertet wurden AUROC, Accuracy, Sensitivität, Spezifität, Matthews-Korrelationskoeffizient (MCC) sowie die räumliche Überlappung (Intersection-over-Union, IoU) zwischen vorhergesagter und annotierter Frakturlokalisation.

Ergebnisse

Das CNN zeigte eine hohe diagnostische Genauigkeit (AUROC = 0,90; Accuracy = 0,83; MCC = 0,65) mit balancierter Sensitivität und Spezifität (~ 0,83). Alle LLMs erzielten hingegen Werte nahe dem Zufall (Accuracy < 0,55; MCC ≈ 0). Die IoU-Analyse der LLMs ergab minimale Überlappung mit den Referenzannotationen (mittlere IoU < 0,05).

Schlussfolgerungen

Aktuelle multimodale LLMs sind ohne domänenspezifisches Training nicht in der Lage, pädiatrische Handgelenksfrakturen zuverlässig zu erkennen oder zu lokalisieren. Ein konventionelles, domänenspezifisch trainiertes CNN erzielte dagegen klinisch relevante und robuste Ergebnisse. Die Studie unterstreicht die Notwendigkeit spezialisierter Trainingsstrategien und validierter Benchmarks, bevor generische LLMs für die radiologische Diagnostik eingesetzt werden können.
15:15 - 15:30

Diskussion

Diskussion

Häufige Fragen

Wie kann ich mich zum RÖKO LEIPZIG anmelden?

Alle Informationen zur Anmeldung für den RÖKO LEIPZIG erhalten Sie unter Anmeldung.

Um einen zügigen Zugang zum Kongress zu erhalten, empfehlen wir allen, die digitale Anmeldung im Vorfeld zu nutzen.

Eine persönliche Anmeldung in Leipzig können Sie ab dem 13.05.2026 vor Ort am Registrierungscounter im Congress Center Leipzig (CCL) vornehmen.

Für teilnahmebegrenzte Kurse (Workshops/MTR-Workshops/MTR-Klinik-Seminare) fallen gesonderte Teilnahmegebühren an. Wir empfehlen, diese frühzeitig mit der Online-Anmeldung zu buchen.

Wie stelle ich mein persönliches Kongressprogramm zusammen?

Um Ihnen die persönliche Kongressplanung im Rahmen des RÖKO LEIPZIG so einfach wie möglich zu machen, haben wir für Sie die Vormerken-Funktion eingeführt, mit deren Hilfe Sie Ihr persönliches Kongressprogramm zusammenstellen und jederzeit online darauf zugreifen können.

Informationen zum Vormerken finden Sie auf der Seite "So gestalten Sie Ihr persönliches Programm für den RÖKO LEIPZIG", Ihr persönliches RÖKO LEIPZIG-Programm finden Sie im Benutzermenü in Listenansicht und als grafische Tagesansicht.

Ich halte einen Vortrag – was muss ich beachten?

Alle wichtigen Informationen rund um Ihren Vortrag beim 107. Deutscher Röntgenkongresses in Leipzig haben wir für Sie demnächst unter "Informationen für Vortragende" zusammengestellt.

Wie erwerbe ich CME-Punkte auf dem RÖKO LEIPZIG?

Der Deutsche Röntgenkongress wird von der Sächsischen Landesärztekammer (LÄK) zertifiziert.

Bitte beachten Sie: Sollten Sie als Fachärztin oder Facharzt Fortbildungspunkte erwerben, erfolgt die Übermittlung der gesammelten CME-Punkte nach dem RÖKO LEIPZIG automatisch an Ihre Ärztekammer. Voraussetzung hierfür ist, dass Ihre EFN im Registrierungssystem hinterlegt ist.

Für die Erfassung ist das Scannen des QR-Codes auf Ihrem Kongressausweis sowie des QR-Codes der besuchten Sitzungen erforderlich. Hierfür benutzen Sie den Scannerfunktion Ihres mobilen Endgerätes.

Weitere Informationen unter Zertifizierung.

Falls keine EFN-Nummer hinterlegt ist, können Sie diese in dem Modul „Mein Account“ im Registrierungssystem ergänzen oder uns per E-Mail an registrierung-roeko@kukm.de mitteilen.

Wie erhalte ich Anwesenheits- bzw. Teilnahmebescheinigungen?

Sie können Ihre Teilnahmebescheinigung mit den ausgewiesenen CME-Punkten ca. drei Wochen nach dem Kongress im Registrierungssystem abrufen. Sobald der Download möglich ist, werden Sie per E-Mail benachrichtigt.

Wie evaluiere ich den RÖKO LEIPZIG?

Bewerten Sie Vorträge auf dem Röntgenkongress 2026 in Leipzig, an denen Sie teilgenommen haben und nehmen Sie Einfluss auf das nächste Kongressprogramm!

In der WebApp zur Teilnahmeerfassung erhalten Sie zu jeder Sitzung, an der Sie teilgenommen haben, einen Link direkt zur Evaluation der jeweiligen Sitzung.

Alternativ klicken Sie innerhalb des Programmkalenders auf der #RÖKO2026-Webseite auf den Button „Evaluation“ und Sie werden anschließend zu den Evaluationsfragen der aktuellen Sitzung geführt und können dort Ihre Bewertung abgeben.

Weitere Fragen finden Sie in unserer RÖKO LEIPZIG - A bis Z.
Werden Sie auch dort nicht fündig, rufen Sie uns gern via 030 - 916 070 - 66 an oder schreiben Sie eine E-Mail an kongress@drg.de.