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.

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 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.

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.

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.

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.

Das ist eine Meldung

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

Wissenschaftliche Sitzung

Radiologie und IT - Deep Radiology: Ideen, Anwendungen und Ausblick (Part I)

Radiologie und IT - Deep Radiology: Ideen, Anwendungen und Ausblick (Part I)
Donnerstag, 29. Mai 2025 · 15:45 bis 16:45 Uhr
Diese Veranstaltung findet ausschließlich als Präsenzveranstaltung im Rhein-Main-Congress-Center in Wiesbaden statt. Diese Veranstaltung kann nicht über einen Stream sondern nur vor Ort besucht werden.
29
Mai

Donnerstag, 29. Mai 2025

15:45 bis 16:45 Uhr · Raum: ePoster-Station  in Kalender übernehmen:   iCal  ·  Google

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 WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Ablauf

15:45 - 15:50

Vortrag (Wissenschaft)

Diagnostische Genauigkeit der True und Virtual Unenhanced CT-Bildgebung bei inzidentellen Nebennierenraumforderungen unter Anwendung der ACR-Richtlinien

Zahra Afraz (Frankfurt)

weitere Autoren

Giuseppe M. Bucolo (Via Consolare Valeria 1, 98100, Messina, Italy) / Ludovica R. M. Lanzafame (Via Consolare Valeria 1, 98100, Messina, Italy) / Tommaso D'Angelo (Via Consolare Valeria 1, 98100, Messina, Italy) / Andreea Ioana Nica (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany) / Ibrahim Yel (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany) / Vitali Koch (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany) / Leon D Gruenewald (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany) / Mirela A Dimitrova (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany) / Thomas J Vogl (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany) / Christian Booz (Theodor-Stern-Kai 7, 60590, Frankfurt Am Main, Germany)

Zielsetzung

Diese Studie untersucht die diagnostische Genauigkeit der Virtual Non-Contrast (VNC)-CT im Vergleich zur True Non-Contrast (TNC)-CT zur Differenzierung von Nebennierenadenomen und Metastasen gemäß den Richtlinien des American College of Radiology (ACR).

Material und Methoden

Retrospektiv wurden 439 Patienten mit Nebennierenläsionen (1–4 cm) eingeschlossen, die zwischen März 2010 und Februar 2023 ein DECT-Staging erhielten und per Biopsie oder MRT als Adenome oder Metastasen klassifiziert. Die Hounsfield-Einheiten (HU) der Läsionen wurden basierend auf VNC- und TNC-Bildern mittels Mittelwerts von 10 Regionen pro Läsion verglichen. Die diagnostische Genauigkeit, Sensitivität und Spezifität wurden mit ROC-Analyse berechnet; der Mann-Whitney-U-Test verglich die HU-Werte, und die Bland-Altman-Analyse bewertete die Übereinstimmung der Methoden. Die ACR-empfohlene Schwelle von ≤10 HU und eine alternative Schwelle von 20 HU wurden hinsichtlich der diagnostischen Performance verglichen.

Ergebnisse

Von den 439 Nebennierenläsionen waren 245 (55,8 %) Adenome und 194 (44,2 %) Metastasen. Der Mann-Whitney-U-Test zeigte keinen signifikanten Unterschied zwischen TNC- und VNC-HU-Werten (p = 0,673). Die ROC-Analyse zeigte exzellente, vergleichbare diagnostische Genauigkeit (TNC: AUC = 0,923, 95%-KI: 0,895–0,947, p < 0,0001; VNC: AUC = 0,928, 95%-KI: 0,899–0,950, p < 0,0001). Der Youden-Index identifizierte ≤20 HU als optimalen Schwellenwert (J = 0,7251, p < 0,0001). Bei der ≤10-HU-Schwelle lag die Spezifität/Sensitivität der TNC bei 93,3 %/57,1 % und der VNC bei 94,3 %/55,5 %. Bei 20 HU erreichte TNC 98,8 %/75,3 % und VNC 96,7 %/75,8 %. Bland-Altman-Analyse zeigte hohe Übereinstimmung (mittlerer Unterschied: -0,4 HU).

Schlussfolgerungen

VNC und TNC zeigen vergleichbare Genauigkeit zur Differenzierung von Adenomen und Metastasen, bestätigt durch ROC-, Mann-Whitney- und Bland-Altman-Analysen. VNC-CT ist eine zuverlässige Alternative zu TNC-CT hinsichtlich der diagnostischen Genauigkeit, auch beim ACR-cut-off von ≤10 HU.
15:50 - 15:55

Vortrag (Wissenschaft)

Deep Learning Denoising ermöglicht hochqualitative, voll diagnostische neuroradiologische Trauma-CTs bei 25 % Strahlendosis

Andreas Brendlin (Tübingen)

weitere Autoren

Ulrich Schmid (Tübingen) / Saif Afat (Tübingen)

Zielsetzung

Traumatische neuroradiologische Notfälle erfordern schnelle und präzise Diagnose per Computertomographie (CT). Die damit verbundene ionisierende Strahlung ist jedoch ein Risiko. Moderne Rekonstruktionsalgorithmen auf Basis von künstlicher Intelligenz haben gezeigt, dass sie die Strahlendosis reduzieren können, ohne die Bildqualität zu beeinträchtigen. Daher war es unser Ziel, die Dosisreduktionsfähigkeit eines Deep Learning Denopising (DLD) Algorithmus bei neuroradiologischen Notfall-CT-Scans von Traumapatienten zu bewerten.

Material und Methoden

Diese retrospektive Einzelzentrumsstudie umfasste 100 Patienten mit neuroradiologischen Trauma-CT-Scans. Simulierte Voll-Dosis-Scans (100%) und Niedrig-Dosis-Scans (25%) wurden unter Verwendung von iterativer Rekonstruktion (IR2) und DLD verarbeitet. Subjektive und objektive Bildqualitätsbewertungen wurden von vier Neuroradiologen zusammen mit einer Analyse klinischer Endpunkte durchgeführt. Bayes'sche Sensitivität und Spezifität wurden mit 95% Credible Intervals berechnet.

Ergebnisse

Die subjektive Analyse zeigte überlegene Bewertungen für 100% DLD im Vergleich zu 100% IR2 und 25% IR2 (p < 0.001). Zwischen 25% DLD und 100% IR2 wurden keine signifikanten Unterschiede festgestellt. Die objektive Analyse zeigte keine signifikanten Unterschiede bei den CT-Werten, jedoch höhere Bildrauschwerte bei 25% Dosis für DLD und IR2 im Vergleich zu 100% (p < 0.001). DLD zeigte bei beiden Dosisstufen geringeres Rauschen als IR2 (p < 0.001). Die klinische Endpunktanalyse zeigte eine Äquivalenz zu 100% IR2 in der Frakturdiagnose für alle Datensätze, mit Sensitivitätsverlusten bei der Erkennung von Blutungen bei 25% IR2. DLD (25% und 100%) behielt eine vergleichbare Sensitivität zu 100% IR2. Alle Vergleiche zeigten eine robuste Spezifität.

Schlussfolgerungen

Der evaluierte Algorithmus ermöglicht hochqualitative, voll diagnostische CT-Scans bei 25% der ursprünglichen Strahlendosis und verbessert die Patientenversorgung durch Reduzierung unnötiger Strahlenexposition.
15:55 - 16:00

Vortrag (Wissenschaft)

Feature-basierter Loss für KI-Modelle zur Auflösungsverbesserung von MR-Diffusionsdaten des Gehirns

David Lohr (Hamburg)

weitere Autoren

Rene Werner (Hamburg)

Zielsetzung

Die Auflösung von MR-Diffusionsdaten ist bei klinischer Messzeit eingeschränkt, was komplexere Analysen wie Traktografie und Konnektivität verhindert. KI-Modelle können die räumliche Auflösung von MR-Bildern retrospektiv verbessern. Ziel dieser Studie ist die Verbesserung solche Modelle durch die Optimierung einer Loss-Funktion basierend auf den Features der diffusionsgewichteten Bilder (DWIs).

Material und Methoden

KI-Modelle wurden mittels Pytorch und fastAI entwickelt und anhand von n=10 7T-Diffusionsdatensätze (korrespondierende Bilder niedriger und hoher Auflösung, Faktor 2) vom „Human connectome project“ trainiert. Als Architektur kam eine Kombination aus UNet und ResNet18 zur Anwendung. Während des Trainings wurden Modell-Vorhersagen für Bilder niedriger Auflösung und die Referenzbilder durch ein vortrainiertes Klassifizierungs-Modell (VGG16) geschickt, wobei mit entstehenden Features aus fünf Ebenen jeweils ein L1-Loss berechnet wurde. Die Summe dieser, plus ein L1-Loss auf Basis der DWI, bildete die Optimierungsfunktion. Eine Ablations- sowie eine Isolationsstudie wurden durchgeführt, um den Einfluss der fünf Feature-Loss-Komponenten sowie deren optimale Kombination zu ermitteln. Alle Modelle wurden mittels n=5 weiteren 7T-Datensätzen getestet.

Ergebnisse

SSIM-Werte für die zentrale Schicht (b0-Bilder) in den fünf Testdatensätzen lagen im Mittel zwischen 0,925-0,942. Die besten Werte erzielten dabei Modelle die Features auf Basis der ersten beiden Ebenen des VGG16-Modells verwendeten. SSIM-Werte für b-Werte von 1000 s/mm² und 2000 s/mm² waren niedriger (0,873-0,891 und 0,842-0,857). In ROI-basierten (Anterior und Posterior Commissure) Analysen zeigten MD und FA die höchste Übereinstimmung zu den Originaldaten für dieselben Modelle.

Schlussfolgerungen

KI-Modelle zur Auflösungsverbessung von DWIs scheinen abhängig von SNR zu sein. Feature-basierter Loss kann die Integrität von Diffusionsparametern verbessern, was eine klinische Anwendung komplexerer Analysen zunünftig erleichtert.

Teilnahme Young Investigator Award

16:00 - 16:05

Vortrag (Wissenschaft)

Strukturelle Veränderungen im Pankreas bei Diabetes mellitus Typ 1 und Typ 2: Longitudinale Korrelation mit HbA1c-Werten mittels KI-gestützter Pankreassegmentierung und Organkonfigurationsanalyse

Saskia Egger-Hackenschmidt (Erlangen)

weitere Autoren

Andrea Prenner (Erlangen) / Johanna Müller (Erlangen) / Sebastian Arndt (Erlangen) / Kaan Türkan (Erlangen) / Bernhard Kainz (Erlangen) / Michael Uder (Erlangen) / Matthias May (Erlangen)

Zielsetzung

Diese longitudinale Studie zielt darauf ab, strukturelle Veränderungen des Pankreas bei Patienten mit Diabetes mellitus Typ 1 (DM1) und Typ 2 (DM2) zu zwei Zeitpunkten durch die Anwendung künstlicher Intelligenz in CT-Bildgebungen automatisch zu analysieren. Pankreatische Verfettung und Verkalkung werden in Korrelation zu HbA1c-Werten als Marker für den Krankheitsverlauf und die metabolische Kontrolle untersucht.

Material und Methoden

Die retrospektive Studie umfasst 22 Patienten mit der Diagnose DM1 oder DM2, bei denen zwischen 2019 und 2024 am Universitätsklinikum Erlangen 44 Untersuchungen durchgeführt wurden. Abdominelle CT-Scans wurden innerhalb von ±3 Monaten zur HbA1c-Messung durchgeführt, wobei Patienten mit vorheriger Pankreatitis oder Pankreasneoplasien ausgeschlossen wurden. Die Segmentierung des Pankreasvolumens erfolgte mittels eines nnU-Net-Modells, das auf einem Datensatz von 1000 CT-Bildern aus öffentlich zugänglichen Quellen trainiert wurde. Ein Python-Skript berechnete Verfettungs- und Verkalkungsscores unter Verwendung von Schwellenwerten von >300 HU für Verkalkungen und -100 bis 30 HU für Fett, ausgedrückt als Verhältnis des erkrankten zum gesamten Pankreasvolumen.

Ergebnisse

Bei DM2-Patienten mit niedrigen HbA1c-Werten korrelieren verminderte Verkalkung und Verfettung über zwei Zeitpunkte hinweg mit verbessertem HbA1c, was auf eine negative Korrelation und einen günstigen metabolischen Verlauf hinweist. DM1-Patienten mit niedrigem HbA1c sowie erhöhter Verkalkung und Verfettung zeigen stabile HbA1c-Werte, was darauf schließen lässt, dass pankreatische Veränderungen in dieser Gruppe unabhängig von glykämischer Kontrolle fortschreiten. Bei DM1-Patienten mit hohem HbA1c geht verminderte Verkalkung und erhöhte Verfettung mit keiner Veränderung des HbA1c einher, was auf ein komplexes Gleichgewicht zwischen diesen Faktoren in der glykämischen Regulation hindeutet.

Schlussfolgerungen

Pankreatische Verfettung und Verkalkung könnten als wertvolle opportunistische bildgebende Biomarker für den Verlauf von DM dienen. KI-basierte Werkzeuge bieten einen vielversprechenden Ansatz für eine präzise, automatisierte Evaluation und ermöglichen neue Einblicke in Risikobewertung und personalisierte Therapie bei DM-Patienten.

Teilnahme Young Investigator Award

16:05 - 16:10

Vortrag (Wissenschaft)

Vollständig diagnostische Ganzkörper-CTs für Brustkrebspatientinnen mit 25% der Strahlendosis mittels Deep Learning Denoising Software

Marlene Hahn (Tübingen)

weitere Autoren

Saif Afat (Tübingen) / Andreas Brendlin (Tübingen)

Zielsetzung

Patient/innen mit erhöhtem Metastasenrisiko bei Mamma-Ca benötigen häufig repetitiv Ganzkörper-CTs um das Krankheitsstadium einzuschätzen, das erhöht jedoch die Strahlenexposition. Deep Learning Denoising (DLD) Algorithmen zeigen vielversprechende Ergebnisse zur Strahlenreduktion bei gleichbleibender Bildqualität. Wir untersuchten einen KI Denoising Algorithmus bei Mamma-Ca und evaluierten mögliche Unterschiede im Staging hinsichtlich Bildqualität und Diagnostik.

Material und Methoden

100 Patientinnen mit Ganzkörper-Initialstaging bei Mamma-Ca wurden retrospektiv inkludiert. Es wurden Scans mit voller Dosis (100 %) und simulierter niedriger Dosis (25 %) mit einer iterativen Rekonstruktion (IR2) sowie DLD bearbeitet.
Anschließend wurden sowohl subjektive als auch objektive Bildqualitäts-Merkmale sowie das bildmorphologische Staging von drei Radiolog/innen ausgewertet. Bayes‘sche Sensitivität und Spezifizität wurden mit einem Kredibilitätsintervall von 95% berechnet.

Ergebnisse

Die Subjektive Analyse zeigte bessere Ergebnisse für 100% DLD im Vergleich zu 100% IR2 und 25% IR2 (p < 0.001). Keine signifikanten Unterschiede konnten zwischen 25% DLD und 100% IR2 festgestellt werden.
Die Objektive Analyse zeigte keine signifikanten Unterschiede im CT-Wert. Bei niedrigerer Dosis stieg das Bildrauschen, jedoch zeigte DLD niedrigere Noise-Level bei sowohl 100% als auch 25% Dosis im Vergleich zu 100% IR2 (p < 0.001).
25 % IR2 zeigte eine verringerte Sensitivität in der Detektion von Metastasen in supraklavikulären (81 %) und Mammaria-Interna-Lymphknoten (85 %), obwohl die Spezifität hoch blieb. Im Gegensatz dazu behielt 25% DLD eine zur Referenz unverändert hohe Sensitivität und Spezifität in der Metastasendetektion in allen Regionen.

Schlussfolgerungen

Der untersuchte Algorithmus ermöglicht qualitativ hochwertige, vollständig diagnostische Mamma-Ca Stagings mit 25 % Strahlendosis und verbessert somit die langfristige Patient/innenversorgung durch die Reduzierung unnötiger Strahlenbelastung.
16:10 - 16:15

Vortrag (Wissenschaft)

CT Body Composition Analysis (BCA): Ein starker Prädiktor für das Überleben von Patienten mit Nierenzellkarzinom

Mathias Holtkamp (Essen)

weitere Autoren

Johannes Harmes (Essen) / René Hosch (Essen) / Christopher Darr (Essen) / Viktor Grünwald (Essen) / Luca Salhöfer (Essen) / Marcel Opitz (Essen) / Felix Nensa (Essen) / Johannes Haubold (Essen)

Zielsetzung

Das Nierenzellkarzinom ist eine Erkrankung mit niedrigen Überlebensraten, insbesondere im metastasierten Stadium. Ziel dieser Studie war es daher, mittels vollautomatisierter Analyse der Körperzusammensetzung im CT, zuverlässige Biomarker zur Vorhersage des Gesamtüberlebens zu identifizieren.

Material und Methoden

In einer retrospektiven Single-Center-Studie wurden 190 NCC-Patienten (56 Frauen, 134 Männer; medianes Alter 64 Jahre [IQR 54–73 Jahre], 43 % mit Metastasen) mittels CT-basierter Analyse der Körperzusammensetzung analysiert. Die Indizes für Sarkopenie und Myosteatose wurden in uni- und multivariaten Regressionsmodellen auf ihre Korrelation mit dem Überleben geprüft. Es wurden Kaplan-Meier-Analysen zur Veranschaulichung der Überlebensunterschiede durchgeführt. Als Signifikanzniveau wurde p < 0,05 festgelegt.
 

Ergebnisse

Es zeigten sich signifikante Überlebensunterschiede für Patienten mit Sarkopenie mit einer signifikant niedrigeren 5-Jahres-Überlebensrate (46,1 % vs. 75,2 %, p = 0,003). Ebenso wurde eine signifikant niedrigere 5-Jahres-Überlebensrate für Patienten mit Myosteatose identifiziert (42,2 % vs. 77,7 %, p = 0,0029). Multivariate Analysen bestätigten Sarkopenie (HR 0,30, CI 0,13–0,68, p = 0,004) und Myosteatose (HR 2,81, CI 1,40–5,60, p = 0,0035) als unabhängige Prädiktoren für das Gesamtüberleben.

Schlussfolgerungen

Sarkopenie und Myosteatose sind signifikante, unabhängige prognostische Marker für das Überleben bei Patienten mit einem Nierenzellkarzinom und können mittels vollautomatischer Analyse der Körperzusammensetzung im CT identifiziert werden.

Teilnahme Young Investigator Award

16:15 - 16:20

Vortrag (Wissenschaft)

Generative Künstliche Intelligenz (KI) Modellierung von synthetischen Prostata-MRT-Bilddaten mit Evaluation der Bildqualität im Vergleich zu realen T2 gewichteten, axialen Spin echo MRT-Daten

Lily Schilk (Göttingen)

weitere Autoren

Tina Holliber (Graz) / Sophie Bachanek (Göttingen) / Ali Seif Amir Hosseini (Göttingen) / Omar Al-Bourini (Göttingen) / Martin Heide (Göttingen) / Mahmoud Ali Al-Zaitoun (Göttingen) / Johannes Uhlig (Göttingen) / Hanna Geldmacher (Göttingen) / Jakob Kewitzki (Göttingen) / Alexander Schreiber (Göttingen) / Lily-Henriette Rentzsch (Göttingen) / Martin Uecker (Graz) / Joachim Lotz (Göttingen)

Zielsetzung

Generierung von qualitativ hochwertigen synthetischen Prostata-Magnetresonanztomographie (MRT)-Bildern durch ein Score-based generatives Model.

Material und Methoden

Ein generatives KI-Diffusionsmodell wurde auf Basis von anonymisierten, standardisierten, kuratierten T2-gewichteten, axialen MRT-Bildern der Prostata trainiert. Der Datensatz umfasste n = 19.887 Schichten von 363 Patienten. Synthetische Bilder wurden mit drei verschiedenen Algorithmen generiert: Ancestral, Langevin und Predictor Corrector.
Mit jedem der Algorithmen wurden 120 in kraniokaudaler Ebene zufällige Schichten einer Prostata-MRT generiert und unter Einschluss von 40 realen MRT-Schichten randomisiert. Zwei erfahrene, gegenüber den Testdaten verblindete Radiologen evaluierten unabhängig voneinander diese 400 Bilder. Neben der Unterscheidung zwischen echter und synthetischer Schicht wurde anhand einer Likert-Skala die Bildqualität in Bezug auf Rauschen und Artefaktlast bewertet.

Ergebnisse

Reader 1 (R1) schätzte 23% (n=84/360), Reader 2 (R2) 48% (n=174/360) der synthetischen Prostata-MRT Schichten als real ein. Als „synthetisch“ ordnete R1 10% (n=4/40), R2 5% (n=2/40) der realen Schichten ein.
Von den drei verwendeten Algorithmen zeigten Predictor Corrector mit 39% (n=94/240) und Langevin mit 46% (n=111/240) die höchste Rate von als reale bewerteten MRT-Schichten. Die durch Ancestral generierten Schichten wurden mit 22% (n=53/240) als reale MRT-Schichten eingeschätzt.
Unabhängig vom gewählten generativen Algorithmus ergab die Auswertung eine höhere Bewertung der Bildqualität für die realen als für die synthetischen MRT Schichten.

Schlussfolgerungen

Generative KI-Diffusionsmodelle kreieren Bilddaten, die visuell zu einem signifikanten Anteil nicht von denen eines realen MRT-Datensatzes zu unterscheiden sind.
Ein Vorteil generativer Modelle sind die vielseitigen Anwendungsmöglichkeiten. So kann das Modell neben der Generation von synthetischen Bildern auch zur Bildverbesserung oder zur Bildrekonstruktion aus k-Raumdaten verwendet werden.
16:20 - 16:45

Diskussion

Diskussion

Runlog

Öffnen