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

WISS 103

Neues von der Künstlichen Intelligenz

Neues von der Künstlichen Intelligenz
Mittwoch, 13. Mai 2026 · 15:30 bis 16:30 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

15:30 bis 16:30 Uhr · Raum: Vortragsraum 10  in Kalender übernehmen:   iCal  ·  Google
Kongress buchen

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Wissenschaftliche Sitzung
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.

Informationen

Moderation
Nadine Bayerl (Erlangen)
Hans-Jonas Meyer (Leipzig)

Ablauf

15:30 - 15:35

Vortrag (Wissenschaft)

Künstliche Intelligenz zur Differenzierung neoplastischer und nichtneoplastischer Hirnläsionen

Iskra Gacheva

weitere Autoren

Elke Hattingen (Frankfurt am Main) / Nenad Polomac (Frankfurt am Main) / Diyuan Lu (Frankfurt am Main) / Gerhard Kurz / Jochen Triesch (Frankfurt am Main)

Zielsetzung

Die Magnetresonanzspektroskopie (MRS) liefert metabolische Informationen zur Unterscheidung neoplastischer und nichtneoplastischer Hirnläsionen – entweder durch Einzelmetabolitenanalyse oder Mustererkennung im Gesamtspektrum. Klinische MRS-Daten sind jedoch oft uneinheitlich annotiert und variieren stark in der Spektrenzahl pro Patient. Diese Studie prüft, ob ein Multiple Instance Learning (MIL)-Ansatz diese Herausforderungen adressieren und die diagnostische Genauigkeit verbessern kann.

Material und Methoden

Wir analysierten retrospektiv MRS-Daten von 422 Patienten, selektiert aus einer initialen Kohorte von 1371 Fällen anhand festgelegter Einschluss- und Qualitätskriterien. Der finale Datensatz umfasste 7442 Spektren: 6598 für internes Training und Cross-Validation sowie 844 von 42 Patienten zur externen Validierung. Die Klassifikation wurde als MIL-Problem formuliert, wobei mehrere Spektren pro Patient in Bags aggregiert wurden. Ein neuronales Netzwerk wurde mit Datenaugmentation und zwei Aggregationsmodulen trainiert: (1) 3Pool (Min-, Max- und Average-Pooling) und (2) ein Attention-Mechanismus. Die externe Validierung erfolgte unabhängig durch das Modell sowie durch acht Neuroradiologen mit unterschiedlichem Erfahrungsniveau.

Ergebnisse

Das beste Modell erreichte eine AUC von 0.82 (F1: 0.78, MCC: 0.46) und übertraf die Neuroradiologen durch ausgewogenere Performance (Sensitivität: 0.76 vs. 0.54; Spezifität: 0.80 vs. 0.88). Es fokussierte auf etablierte Marker wie reduziertes NAA sowie erhöhtes Cholin, Laktat und Lipide.

Schlussfolgerungen

Durch die Nutzung globaler Spektralmuster orientiert sich der Ansatz stärker an der klinischen Entscheidungsfindung als herkömmliche Verfahren, die auf Einzelpeak-Analysen basieren. Unsere Ergebnisse zeigen, dass MIL mit Datenaugmentation eine robuste Klassifikation aus heterogenen MRS-Daten ermöglicht. Künftige Arbeiten sollten erklärbare KI-Methoden wie Aufmerksamkeitskarten und SHAP integrieren, um Transparenz und klinische Anwendbarkeit zu verbessern.
15:35 - 15:40

Vortrag (Wissenschaft)

Vergleich der diagnostischen Genauigkeit des durch die KI-basierte Software Optellum errechneten Malignitätsscores zwischen CT-Datensätzen aus Deutschland und Frankreich

Josephine Julie Minuth

weitere Autoren

Bettina K. Budai (Heidelberg) / Guillaume Chassagnon (Paris, Frankreich) / Hans-Ulrich Kauczor (Heidelberg) / Claus P. Heußel (Heidelberg)

Zielsetzung

Ziel war die multizentrische und internationale Analyse der diagnostischen Genauigkeit der durch die KI-basierten Software Optellum berechneten Malignitätswahrscheinlichkeit von Lungenrundherden (LRH) zwischen CT-Datensätzen der Thoraxklinik Heidelberg (TKHD) und dem Hôpital Cochin in Paris (HC).

Material und Methoden

Es wurden 281 inzidentelle LRH (5-15mm) aus Thorax-CTs von 255 Patientinnen und Patienten aus dem HC und 835 Knoten aus der TKHD retrospektiv analysiert. Die Malignitätswahrscheinlichkeit wurde mit der Deep Learning basierten Software Optellum ermittelt. Für alle LRH lag eine histopathologische Sicherung als Lungenkarzinom vor (CT-gestützte, bronchoskopische oder chirurgische Biopsie) oder die Benignität durch ein mindestens zweijähriges bildgebendes Follow-Up gesichert. Metastasen wurden ausgeschlossen. Aufgrund der unterschiedlichen Prävalenzen eines Lungenkarzinoms in den Kohorten (36,3% TKHD vs. 82,6% HC), wurde ein Case Matching hinsichtlich Geschlechtes, Alter (± 5 Jahre), LRH-Größe, Diagnose, LRH-Konsistenz und Kontrastmittelgabe durchgeführt.

Ergebnisse

Nach dem Case Matching umfassten die Kohorten 162 maligne und 46 benigne LRH (182 solide, 46 subsolide) von 105 Frauen und 103 Männern. Der Altersunterschied betrug durchschnittlich 0,02 Jahre (66,7 ± 8,5 Jahre HC vs. 66,7 ± 8,6 Jahre TKHD). Bei 119 der 208 Patientinnen und Patienten wurde kein Kontrastmittel injiziert. Die LRH-Größe betrug 12,1 ± 2,8mm im HC und 11,6 ± 2,4mm in der TKHD (Differenz = 0,5mm). Optellum erreichte für die LRH aus dem HC eine diagnostische Genauigkeit von AUC = 0,745 (Sensitivität 82,1%, Spezifität von 47,8%) und für jene der TKHD eine AUC = 0,764 (Sensitivität 84,9% Spezifität 59,2%; p = 0,85).

Schlussfolgerungen

In dieser Studie konnte kein signifikanter Unterschied der diagnostischen Genauigkeit in der Berechnung des Malignitätsscores von LRH durch die Software Optellum zwischen den vergleichbar gestalteten Kohorten am HC und an der TKHD nachgewiesen werden.

Teilnahme Young Investigator Award

15:40 - 15:45

Vortrag (Wissenschaft)

KI-basierte automatische Detektion von fokalen Knochenmarksläsionen aus Ganzkörper-MRTs bei Patient:innen mit Multiplem Myelom

Markus Wennmann (Heidelberg)

weitere Autoren

Jessica Kächele (Heidelberg) / Arvin von Salomon (Heidelberg) / Markus Bujotzek (Heidelberg) / Shuhan Xiao (Heidelberg) / Andres Martinez Mora (Heidelberg) / Fabian Bauer (Köln) / Lukas Rotkopf (Heidelberg) / Julia Oppold (Heidelberg) / Thomas Hielscher (Heidelberg) / Marina Hajiyianni (Heidelberg) / Lukas John (Heidelberg) / Ekaterina Menis (Heidelberg) / Saif Afat (Tübingen) / Britta Besemer (Tübingen) / Martin Hoffmann (Ludwigshafen) / Adrian Ringelstein (Mönchengladbach) / Ullrich Graeven (Mönchengladbach) / Dieter Fedders (Chemnitz) / Mathias Hänel (Chemnitz) / Alexandra Ljimani (Düsseldorf) / Roland Fenk (Düsseldorf) / Andreas H. Mahnken (Marburg) / Christoph Mann (Marburg) / Hans-Ulrich Kauczor (Heidelberg) / Theresa Mokry (Heidelberg) / Tim Frederik Weber (Heidelberg) / Johann Jende (Heidelberg) / Jens Hillengass (Buffalo) / Marc-Steffen Raab (Heidelberg) / Niels Weinhold (Heidelberg) / Elias Karl Mai (Heidelberg) / Hartmut Goldschmidt (Heidelberg) / Stefan Delorme (Heidelberg) / Peter Neher (Heidelberg) / Klaus Maier-Hein (Heidelberg) / Heinz-Peter Schlemmer (Heidelberg)

Zielsetzung

Die Anzahl fokaler Läsionen im Knochenmark stellt einen zentralen prognostischen Parameter bei Patient:innen mit Multiplem Myelom dar. Ziel dieser Arbeit ist es, einen KI-Algorithmus zur automatischen Detektion von fokalen Knochenmarksläsionen in Ganzkörper-MRTs bei Patient:innen mit Multiplem Myelom zu trainieren und zu testen.

Material und Methoden

Diese retrospektive Studie schloss 327 Patient:innen mit Ganzkörper-MRT und insgesamt 3387 manuell segmentierten fokalen Läsionen aus Zentrum 1 ein, unter anderem basierend auf den GMMG-HD7- und GMMG-HD8/DSMM-XIX-Studien. Der zweistufige Workflow umfasste (i) eine automatisierte Knochenmarkssegmentierung auf koronaren T1-gewichteten Sequenzen zur Maskierung extramedullärer Strukturen und (ii) das Training eines nnDetection-basierten Detektionsmodells zur automatischen Läsionslokalisierung und -zählung. Basierend auf einer 5-fachen Kreuz-Validierung wurde die Pearson-Korrelation r sowie der Konkordanz-Korrelations-Koeffizient (CCC) zwischen der automatisch detektierten Anzahl fokaler Läsionen und der manuell detektierten Anzahl fokaler Läsionen bestimmt.

Ergebnisse

Es zeigte sich eine hohe Übereinstimmung (r = 0,81; p < 0,001; CCC = 0,91) zwischen der Anzahl der automatisch detektierten fokalen Läsionen durch den KI-Algorithmus und der manuell detektierten Anzahl fokaler Läsionen durch den radiologischen Facharzt. Der KI-Algorithmus zeigte auf Läsionsebene eine Sensitivität von 0,73 und einen positiv prädiktiven Wert von 0,50.

Schlussfolgerungen

Die vorliegende Studie etabliert und validiert einen KI-Algorithmus zur automatischen Detektion von fokalen Läsionen aus Ganzkörper-MRTs bei Patient:innen mit Multiplem Myelom, der die zuverlässige, automatische Abschätzung der Anzahl fokaler Läsionen erlaubt. Eine abschließende multizentrische Testung des finalen Modells auf einem unabhängigen Testdatensatz mit 102 Ganzkörper-MRTs aus 10 Zentren ist zum Zeitpunkt der Abstract-Einreichung ausstehend und soll auf dem Kongress präsentiert werden.

Teilnahme Young Investigator Award

15:45 - 15:50

Vortrag (Wissenschaft)

Sensitivität und Spezifität nach Maß: Einstellbare Grenzwerte für KI‑Befunde am Thorax

Patrick Wienholt (Aachen)

weitere Autoren

Christiane Kuhl (Aachen) / Sven Nebelung (Aachen) / Daniel Truhn (Aachen)

Zielsetzung

Generative Vision‑Language‑Modelle (VLMs) beantworten Ja/Nein‑Fragen typischerweise mit einer starren Entscheidung („yes“/„no“). Dies ist klinisch unpraktisch, weil je nach Einsatz (Screening vs. Rule‑in) unterschiedliche Betriebspunkte benötigt werden. Wir stellen einen einfachen, nachträglich anwendbaren Ansatz vor, der aus dem ersten Modell‑Output einen kontinuierlichen Score ableitet und damit einstellbare Grenzwerte sowie ROC‑basierte Betriebspunkte ermöglicht.

Material und Methoden

Wir stellen dem MedGemma-27B-Modell Ja/Nein-Fragen zu 14 möglichen Diagnosen pro Bild. Für die Auswertung lesen wir die Wahrscheinlichkeit des ersten Ausgabetokens für „yes“ bzw. „no“ aus und setzen die „yes“-Wahrscheinlichkeit ins Verhältnis zur Summe beider Optionen (p = yes/(yes+no)). So entsteht ein Score von 0-1 als Schieberegler für klinische Betriebspunkte: niedrigere Schwellen erhöhen die Sensitivität, höhere die Spezifität. Darauf basierend erzeugen wir ROC-Kurven und berichten Sensitivität/Spezifität vor und nach Kalibrierung. Die Analyse nutzt die offiziellen CheXpert-Testdaten (500 Studien, Referenz durch Mehrheitsentscheid von 5 Radiolog:innen; nicht im Training genutzt).

Ergebnisse

CheXpert (Durchschnitt): AUROC 0,817. „Kein Befund“ (AUROC 0,921): vor Kalibrierung 0,000/1,000 (Sensitivität/Spezifität); nach Schwellenanpassung 0,899/0,830. „Pleuraerguss“ (AUROC 0,902): vor 0,700/0,900; nach 0,817/0,849. „Versorgungsgeräte“ (AUROC 0,855): vor 0,994/0,108; nach 0,857/0,742. Über 12/14 Klassen liegen optimale Schwellen unter 0,5.

Schlussfolgerungen

VLMs zeigen gute Diskriminationsfähigkeit, sind jedoch am fixen Standardschwellenwert oft fehlkalibriert im Sinne unpassender Betriebspunkte. Der aus dem ersten Token abgeleitete Score erlaubt ohne Modelländerung oder Nachtraining eine Schwellensteuerung und damit maßgeschneiderte Strategien (screening‑sensitiv vs. rule‑in‑spezifisch). CheXpert bestätigt die Übertragbarkeit in die Praxis und erschließt bislang ungenutztes diagnostisches Potenzial.
15:50 - 15:55

Vortrag (Wissenschaft)

Transformer-basiertes Siamese-Netzwerk zur automatisierten Erkennung von Patientenverwechslungen bei Verlaufskontrollen von Beckenröntgenaufnahmen

Henrik Maximilian Kahl (Hamburg)

weitere Autoren

Léon Möhring (Hamburg) / Denis Yang Gersdorf (Hamburg) / Chritian Heitkamp (Hamburg) / Dilara Kisir (Hamburg) / Gerhard Adam (Hamburg) / Frank Oliver Henes (Hamburg) / Rickmer Braren (Hamburg) / Haissam Ragab (Hamburg)

Zielsetzung

Patientenverwechslungen in der Radiologie sind selten, können jedoch schwerwiegende Fehldiagnosen und -therapien zur Folge haben. Manuelle Identitätskontrollen sind fehleranfällig, insbesondere bei hoher Arbeitslast. Ziel der Studie war die Evaluation eines Deep-Learning-Ansatzes zur automatisierten Identitätsprüfung in Beckenverlaufskontrollen im Vergleich mit Radiologen.

Material und Methoden

Es wurde ein Siamese-Netzwerk mit zwei Swin-Transformer-Backbones (ImageNet-1k-Vortraining) entwickelt. Der Trainingsdatensatz umfasste 2970 Beckenröntgen-Bildpaare, (1485 gleiche Patienten, 1485 verschiedene), skaliert auf 224 x 224 Pixel. Es kamen Hard-Negative-Mining und fünffache Kreuzvalidierung zum Einsatz; für die Inferenz wurde ein Modell-Ensemble genutzt. Der Testdatensatz umfasste 164 Bildpaare (82 positiv, 82 negativ). Fünf Radiologen (2-6 Jahre Erfahrung) bewerteten dieselben Paare hinsichtlich Gleichheit auf einer Skala von 0-100. Die Analyse erfolgte mittels einseitigem DeLong-Test (δ = 0,05).

Ergebnisse

Das Netzwerk erreichte 94 % Genauigkeit (95 % KI: 89–97 %), F1 = 0,94 (0,89–0,97) und AUC-ROC = 0,98 (0,96–1,00) und war Radiologen gegenüber nicht unterlegen (AUC-ROC = 0,95–0,98; p < 0,001). Die meisten Modellfehler waren falsch-negative (fälschlich markierte gleiche Patienten; 8/10), Radiologen zeigten überwiegend falsch-positive Fehler (übersehene Verwechslungen; 57/64). 96% der von Radiologen übersehenen Verwechslungen wurden durch das Modell korrekt erkannt. Die mittlere Auswertungszeit betrug 0,2 s pro Paar vs. 14,0±11,6 s bei Radiologen.

Schlussfolgerungen

Das entwickelte Siamese-Netzwerk ermöglicht eine präzise und schnelle Erkennung von Patientenverwechslungen ohne Unterlegenheit gegenüber einer radiologischen Beurteilung. Durch hohe Genauigkeit und günstiges Fehlerprofil eignet es sich als sekundäres Sicherheitssystem zur Reduktion nicht erkannter Verwechslungen im radiologischen Workflow. Künftige Arbeiten sollen die Generalisierbarkeit auf andere Körperregionen und externe Validierungskohorten prüfen.

Teilnahme Young Investigator Award

15:55 - 16:00

Vortrag (Wissenschaft)

KI-basierte hämosensitive MRT- Sequenz „Double flash“: doppelt geblitzt, fast doppelt so schnell, ins Schwarze getroffen

Anna-Lena Mayer (Erlangen)

weitere Autoren

Angelika Mennecke (Erlangen) / Arnd Dörfler (Erlangen) / Anahita Amini (Erlangen) / Manuel Schmidt (Erlangen)

Zielsetzung

Die hämosensitive Sequenz wird in der klinischen MRT zur Detektion intrazerebraler Blutungen eingesetzt. Aufgrund der verkürzten T2∗-Relaxationszeit erscheint Blut bei langen Echozeiten (TE) stark dunkel. Eine Verkürzung der TE beschleunigt zwar die Sequenz, reduziert aber den Bildkontrast. Dieses Problem lösen wir, indem wir aus zwei kurzen TE-Aufnahmen („double flash“) mithilfe eines trainierten UNet-Modells – einem KI-basierten neuronalen Netzwerk – ein kontrastreiches Bild der späteren TE generieren.

Material und Methoden

Die Bildakquisition erfolgte an einem Magnetom Vida 3T MR-Scanner (Siemens Healthineers) mit einer 1Tx/64Rx-Kopf-/ Halsspule. 350 Probanden erhielten sowohl eine double flash- als auch eine standard-hämosensitive Messung. Die beiden double flash-Bilder dienten als Eingabe-, das Standardbild als Ziel-Datensatz für das UNet (ReLU, L1-Loss, Batchsize 8, Lernrate 0,0001, 50 Trainingsschritte/Epoche). Zur Evaluation beurteilten und befundeten zwei erfahrene Neuroradiologen unabhängig voneinander Standard- und rekonstruierte double flash-Bilder (Likert-Skala, 5 = beste Qualität).

Ergebnisse

Das rekonstruierte Bild zeigte eine gleichwertige oder bessere Qualität (Standard: 2×3, 4×4, 92×5 Punkte; double flash: 2×3, 96×5 Punkte). In 96 von 98 Fällen stimmten die Befunde überein. Nur eine DVA und eine zerebelläre Mikroblutung wurden in der double flash-Sequenz nicht erkannt. Übereinstimmend beschrieben wurden: 36× o.B., 19× Defekt/ Hämosiderin, 18× Blutung, 14× Suszeptibilitätsartefakte, 10× Kalzifikationen, 6× Meningeom, 4× Kavernom, 2× DVA.

Schlussfolgerungen

Die Aufnahmezeit der hämosensitiven Messung im Gehirn kann mit der double flash-Methode von 67 auf 41 Sekunden verkürzt werden – eine Reduktion um 39 % – bei gleichbleibendem Kontrast und Bildqualität im Vergleich zur Standardmessung.
Unsere hämosensitive double flash-Sequenz ist blitzschnell, präzise, rauscharm und kontraststark.

Teilnahme Young Investigator Award

16:00 - 16:05

Vortrag (Wissenschaft)

Ultraschnelles Deep-Learning-basiertes Single-Beat-Herz-MRT: Diagnostische Gleichwertigkeit zum Standardprotokoll bei Myokarderkrankungen

Taraneh Aziz-Safaie (Bonn)

weitere Autoren

Annemarie Proff (Bonn) / Dmitrij Kravchenko (Bonn) / Narine Mesropyan (Bonn) / Leon M. Bischoff (Bonn) / Lucia D. Beissel (Bonn) / Christoph Katemann (Hamburg) / Oliver M. Weber (Hamburg) / Johannes M. Peeters (Best) / Claus C. Pieper (Bonn) / Daniel Kütting (Bonn) / Sebastian Zimmer (Bonn) / Julian A. Luetkens (Bonn) / Alexander Isaak (Bonn)

Zielsetzung

Herz-MRT-Protokolle sind diagnostisch umfassend, jedoch zeitaufwendig. Ziel dieser Studie war die Evaluation der diagnostischen Gleichwertigkeit eines Deep-Learning-(DL)-basierten Single-Beat (SB)-Protokolls im Vergleich zu einem Standard-(segmentierten)-Protokoll.

Material und Methoden

In dieser prospektiven Studie wurden 107 Teilnehmer mit Verdacht auf Myokarderkrankung mit einem Standard- und einem DL-basierten SB-Herz-MRT-Protokoll untersucht (1,5 T). Beide Protokolle umfassten cine-, T2-STIR- und Late-Gadolinium-Enhancement (LGE)-Sequenzen. Die SB-Bilder wurden mit einem DL-Super-Resolution-Algorithmus (Philips Healthcare) rekonstruiert, der Compressed Sensing mit zwei Convolutional Neural Networks (Adaptive-CS-Net und Precise-Image-Net) kombiniert. Drei Radiologen bewerteten die Präsenz von Wandbewegungsstörungen, Ödem, LGE und die finale Diagnose. Die diagnostische Austauschbarkeit wurde mit dem Individual Equivalence Index (IEI, ±5% Äquivalenzgrenze) analysiert, die Interrater-Übereinstimmung mit Fleiss-κ bestimmt. Die Gesamtscanzeit wurde mit dem t-Test verglichen. Zum Vergleich der Gesamtscanzeit wurden zudem retrospektiv Untersuchungen identifiziert, die entweder mit einem Standard- oder einem DL-SB-Protokoll durchgeführt wurden (je n=10).

Ergebnisse

107 Teilnehmer (56±21 Jahre, 61% männlich) wurden eingeschlossen. Die Scanzeit der DL-SB-Kurzachsen war signifikant kürzer: cine – 66% (92±7s vs. 274 ± 8s; p<,001), LGE – 73% (77±4s vs. 286±4s; p<,001) und T2-STIR – 86% (35±4s vs. 244± 18s; p<,001). Der DL-SB-Ansatz verkürzte die Gesamtdauer des vollständigen Protokolls um 54% (24,2 ± 8,2min vs. 52,3 ± 1,7min; p<,001). Interrater-Übereinstimmung war vergleichbar (z.B. finale Diagnose 0,88 vs. 0,89). Alle IEI-Werte lagen innerhalb der Äquivalenzgrenze (z.B. finale Diagnose 0,01 [KI 0,005; 0,03]).

Schlussfolgerungen

DL-basierte SB-Herz-MRT ermöglicht eine umfassende Herz-MRT-Diagnostik in nur 24 Minuten. Die Methode ist diagnostisch gleichwertig und verbessert die Effizienz der Herz-MRT sowie den Patientenkomfort.

Teilnahme Young Investigator Award

16:05 - 16:30

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.