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.

Refresher-Kurs mit WISS

Radiologie und IT - Nationale Netzwerke

Radiologie und IT - Nationale Netzwerke
Donnerstag, 10. April 2025 · 17:15 bis 19:15 Uhr
10
Apr

Donnerstag, 10. April 2025

17:15 bis 19:15 Uhr · ZoomWebinar  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

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

Zertifizierungen

Bewertung folgt.

Informationen

Das ist eine Veranstaltung der AGIT - AG Informationstechnologie.

Anwesenheiten

Moderation
Felix Nensa (Essen)
Cynthia Sabrina Schmidt (Essen)

Ablauf

17:15 - 17:25

Vortrag (Fortbildung)

OMI

Hans-Ulrich Prokosch (Erlangen)

17:25 - 17:35

Vortrag (Fortbildung)

NUM-RACOON

Tobias Penzkofer (Berlin)

17:35 - 17:45

Vortrag (Fortbildung)

AI Interest Group for Imaging (AIGI)

Marc Kämmerer

17:45 - 17:55

Vortrag (Fortbildung)

Nationale Forschungsdateninfrastruktur (NFDI)

Horst Karl Hahn (Bremen)

17:55 - 18:05

Vortrag (Fortbildung)

Forschungsdatenportal Gesundheit (FDPG)

Marie Gebhardt (Berlin)

Kurzzusammenfassung

Das Deutsche Forschungsdatenportal für Gesundheit (FDPG) ist zentraler Anlaufpunkt für Wissenschaftlerinnen und Wissenschaftler, die ein Forschungsprojekt mit Routinedaten der deutschen Universitätsmedizin durchführen möchten. Im Rahmen der Medizininformatik-Initiative (MII) und des NUM-DIZ-Projekts, gefördert vom Bundesministerium für Bildung und Forschung, werden in den Datenintegrationszentren der universitätsmedizinischen Standorte Patientendaten und Bioproben aus der Routineversorgung für die medizinische Forschung nutzbar gemacht und datenschutzgerecht bereitgestellt.
Mithilfe des neu hinzukommenden Kerndatensatzmoduls für Befunde bildgebender Verfahren sollen zukünftig auch radiologische Bildgebung und die zugehörigen Befunde für Forschungzwecke auffindbar und beantragbar gemacht werden.

Lernziele

- Vorstellung des Forschungsdatenportals für Gesundheit in Zusammenhang mit den eigentlichen Dataholdern, zahlreichen (universitätsmedizinischen) Kliniken
- Erläuterung der Prozesse zum Finden und Beantragen von Routinedaten für ein Forschungsprojekt
- Erläuterung der verfügbaren Datenumfänge
- Vorstellung verfügbarer Tools, Services und Beratungsangebote
- Darstellung aktueller Möglichkeiten für die Nutzung in Zusammenhang mit radiologischen Bilddaten
18:05 - 18:10

Vortrag (Wissenschaft)

Früherkennung von Adenomyose im MRT: Inter-Reader-Variabilität und das Potenzial von Deep Learning

Chiara Tappermann (Bremen)

weitere Autoren

Matthias May (Erlangen) / Lisa Siegler (Erlangen) / Martin Fenske (Erlangen) / Marlene Bettina Bauer (Erlangen) / Theresa Rüttinger (Erlangen) / Sebastian Arndt (Erlangen) / Bianca Lassen-Schmidt (Bremen)

Zielsetzung

Das RACOON-Projekt FADEN erforscht die Früherkennung von Adenomyose mittels MRT, wobei eine robuste Uterus-Segmentierung von zentraler Bedeutung ist. Manuelle Segmentierung ist ressourcenintensiv und führt aufgrund anatomischer Variabilität der Patientinnen zu unterschiedlichen Ergebnissen unter den Readern.

Material und Methoden

Die Inter-Reader-Variabilität wurde zwischen einer Radiologin und 4 MedizinstudentInnen (4./6./8./10. Sem) für eine Kohorte von 13 Probandinnen (27 ± 5,44 Jahre, 21,8 ± 2,96 BMI) aus 3 Universitätskliniken analysiert. Diese segmentierten nach fachlicher Einführung das Myometrium (MM), die junktionale Zone (JZ) und das Endometrium (EM) auf 13 T2-BLADE-Sequenzen mit einem SATORI-Workflow von Fraunhofer MEVIS. Zudem wurden die Daten der Radiologin in Trainings-, Validierungs- und Testsets (10,1,2) aufgeteilt, um U-Nets zu trainieren. Die Variabilität wurde mit dem Dice Similarity Coefficient (DSC) und dem Intraclass Correlation Coefficient (ICC(2,1)) quantifiziert.

Ergebnisse

Beim Vergleich der Segmentierungen von Radiologin und StudentInnen beträgt der durchschnittliche DSC 0,65 (EM), 0,61 (JZ) und 0,73 (MM). Der ICC(2,1) zeigt moderate Zuverlässigkeit mit 0,59, 95% CI [0,27;0,83] (EM), 0,45, 95% CI [0,13;0,75] (JZ) und 0,63, 95% CI [0,33;0,85] (MM). Betrachtet man nur die Schichten bis zum Übergang zur Zervix, verbessert sich der DSC auf 0,75 (EM), 0,71 (JZ) und 0,78 (MM). Der ICC(2,1) beträgt 0,40, 95% CI [0,13;0,71] (EM), 0,53, 95% CI [0,26;0,79] (JZ) und 0,75, 95% CI [0,51;0,91] (MM). Die U-Nets erreichen auf den Testdaten einen durchschnittlichen DSC von 0,72 (EM), 0,64 (JZ) und 0,74 (MM). Unter Betrachtung der Schichten bis zum Zervix-Übergang steigt der DSC geringfügig auf 0,73 (EM), 0,65 (JZ) und 0,8 (MM).

Schlussfolgerungen

Die hohe Inter-Reader-Variabilität indiziert einen Bedarf an klaren Annotationsrichtlinien, einem Review-Prozess und vollautomatische Segmentierungen zur Verbesserung der Konsistenz. Die U-Nets zeigen bereits mit wenigen Trainingsdaten vielversprechende Ergebnisse.

Teilnahme Young Investigator Award

18:10 - 18:15

Vortrag (Wissenschaft)

Weltweite Perspektiven von Krankenhauspatienten zum Einsatz von künstlicher Intelligenz im Gesundheitswesen: Ergebnisse der COMFORT-Studie aus 74 Krankenhäusern in 43 Ländern

Felix Busch (München)

weitere Autoren

Lena Hoffmann (Berlin) / Lina Xu (Berlin) / Longjiang Zhang (Nanjing, China) / Bin Hu (Nanjing, China) / Ignacio García-Juárez (Mexico City, Mexiko) / Liz N. Toapanta-Yanchapaxi (Mexico City, Mexiko) / Natalia Gorelik (Montreal, Quebec, Kanada) / Valérie Gorelik (Montreal, Quebec, Kanada) / Gaston A. Rodriguez-Granillo (Buenos Aires, Argentinien) / Carlos Ferrarotti (Buenos Aires, Argentinien) / Nguyen N. Cuong (Hanoi, Vietnam) / Chau A. P. Thi (Hanoi, Vietnam) / Murat Tuncel (Ankara, Türkei) / Gürsan Kaya (Ankara, Türkei) / Sergio M. Solis-Barquero (San José, Costa Rica) / Maria C. Mendez Avila (San José, Costa Rica) / Nevena G. Ivanova (Plovdiv, Bulgarien) / Felipe C. Kitamura (São Paulo, Brazilien) / Karina Y. I. Hayama (São Paulo, Brazilien) / Monserrat L. Puntunet Bates (Mexico City, Mexiko) / Pedro Iturralde Torres (Mexico City, Mexiko) / Esteban Ortiz-Prado (Quito, Ecuador) / Juan S. Izquierdo-Condoy (Quito, Ecuador) / Gilbert M. Schwarz (Wien) / Jochen Hofstaetter (Wien) / Michihiro Hide (Hiroshima, Japan) / Konagi Takeda (Hiroshima, Japan) / Barbara Perić (Ljubljana, Slowenien) / Gašper Pilko (Ljubljana, Slowenien) / Hans O. Thulesius (Växjö, Schweden) / Thomas A. Lindow (Kalmar, Schweden) / Israel K. Kolawole (lorin, Nigerien) / Samuel Adegboyega Olatoke (Ilorin, Nigerien) / Andrzej Grzybowski (Poznań, Polen) / Alexandru Corlateanu (Chișinău, Republik Moldau) / Oana-Simina Iaconi (Chișinău, Republik Moldau) / Ting Li (Shanghai, China) / Izabela Domitrz (Warschau, Polen) / Katarzyna Kępczyńska (Warschau, Polen) / Matúš Mihalčin (Brno, Tschechische Republik) / Lenka Fašaneková (Brno, Tschechische Republik) / Tomasz Zatoński (Breslau, Polen) / Katarzyna Fułek (Breslau, Polen) / András Molnár (Budapest, Ungarn) / Stefani Maihoub (Budapest, Ungarn) / Zenewton A. da Silva Gama (Natal, Brazilien) / Luca Saba (Cagliari, Italien) / Petros Sountoulides (Thessaloniki, Griechenland) / Marcus R. Makowski (München) / Hugo J. W. L. Aerts (Boston, MA, USA) / Lisa C. Adams (München) / Keno K. Bressem (München) / COMFORT Konsortium

Zielsetzung

Allzu oft wird die Einführung von neuen Technologien im Gesundheitswesen nur aus der Sicht des Klinikers betrachtet und die Perspektive des Patienten vernachlässigt. Angesichts der exponentiellen Zunahme von künstlicher Intelligenz (KI) im Gesundheitswesen war es das Ziel dieser internationalen, multizentrischen Querschnittsstudie, die Perspektiven von Krankenhauspatienten zu KI im Gesundheitswesen weltweit zu erfassen.

Material und Methoden

Die COMFORT-Studie, an der 74 Netzwerkkrankenhäuser in 43 Ländern zwischen Februar und November 2023 teilnahmen, entwickelte und implementierte ein quantitatives Messinstrument für Patienten, das in 26 Sprachen verfügbar war und 26 Items zu KI im Gesundheitswesen umfasste.

Ergebnisse

Es wurden 13806 Patienten aus Europa (41,7%), Asien (25,2%), Nordamerika (16,5%), Südamerika (9,7%), Afrika (5,3%) und Ozeanien (1,6 %) in die Studie eingeschlossen. 57,6% der Befragten hatten eine positive Auffassung über den generellen Einsatz von KI im Gesundheitswesen. In Abhängigkeit von demografischen Merkmalen, dem Gesundheitszustand und der technologischen Kompetenz der Patienten wurden signifikante Unterschiede in der Einstellung gegenüber KI festgestellt. Beispielsweise standen Teilnehmer mit einem schlechterem Gesundheitszustand dem Einsatz von KI in der Medizin weniger positiv gegenüber. Umgekehrt waren ein höheres KI-Wissen und die häufige Nutzung technologischer Geräte mit positiveren Einstellungen verbunden. Weniger als die Hälfte der Patienten zeigte positive Haltungen gegenüber den Items zu Vertrauen in KI, wobei das geringste Vertrauen in die Genauigkeit der KI bei der Bereitstellung von Informationen über das Therapieansprechen bestand. Die Patienten zeigten eine starke Präferenz für erklärbare KI und eine von Ärzten geleitete Entscheidungsfindung, auch wenn dies einen leichten Kompromiss bei der Genauigkeit bedeutete.

Schlussfolgerungen

Diese multinationale Studie bietet einen umfassenden Überblick über die Patientenperspektiven zu KI im Gesundheitswesen mit Daten aus 6 Kontinenten.

Teilnahme Young Investigator Award

18:15 - 18:20

Vortrag (Wissenschaft)

Effektivität eines integrierten Qualitätssicherungsprotokolls zur Genauigkeit der Lungensegmentierung in einer multizentrischen Studie

Ricarda Elisabeth Fischbach (Frankfurt)

weitere Autoren

Eric Frodl (Frankfurt) / Bianca Lassen-Schmidt / Tobias Penzkofer (Berlin) / Julia Dietz / Thomas Vogl (Frankfurt) / Andreas Bucher (Frankfurt)

Zielsetzung

Untersuchung des Einflusses eines in den Segmentierungsablauf integrierten Qualitätssicherungsprotokolls (QAP) auf die Genauigkeit und Konsistenz der Lungensegmentierung in CT-Scans. Ziel war es, die Segmentierungsgenauigkeit und -Konsistenz zu überwachen und so die Qualität von Trainingsdatensätzen zu sichern.

Material und Methoden

In dieser retrospektiven Multicenter-Studie, Teil des RACOON-Projekts, nahmen 73 Segmentierende aus 36 Kliniken teil. Sie führten voxelgenaue Segmentierungen (Labels: Milchglas-Trübung [GGO], Konsolidierung [CONS]) in drei Runden (R1: 0 %, R2: 50 %, R3: 100 %) durch. Die Segmentierungen wurden auf Genauigkeit und Inter-Reader Konsistenz evaluiert (Dice-Koeffizienten und RMSD). Eine Umfrage bewertete die Erfahrungen der Leser. Statistische Analyse erfolgte mittels lineare mixed Modells.

Ergebnisse

Zwischen Juli 2021 und Juni 2022 wurden 2961 Bildserien im gesamten Datensatz annotiert, von denen 519 im Rahmen unseres QAP analysiert wurden (R1: 205, R2: 171, R3: 143). Die meisten Segmentierenden (57 %) hatten geringe Segmentierungserfahrung (mittlere Erfahrung: 25 %, Experten: 17 %). Die Segmentierungsperformance für beide Labels verbesserte sich über die Zeit, wobei der mittlere SDC von 0,376±0,214 auf 0,584±0,340 für GGO (p < 0,0001) und von 0,313±0,301 auf 0,556±0,311 für CONS (p < 0,0001) anstieg. Auch die RMSD-Verbesserungen waren für GGO signifikant (von 8,18±3,28 auf 6,04±6,47, p < 0,0001) und für CONS (von 4,83±2,25 auf 3,96±4,25, p = 0,0009). Die durchschnittliche Zeit verringerte sich um 25 % (von 96,6±77,5 Min. auf 78,01±65,9 Min., p = 0,02558). Es bestand keine signifikante Korrelation zwischen der vorherigen Segmentierungserfahrung und der Qualitätsverbesserung für GGO (p = 0,9622) und CONS (p = 0,9685).

Schlussfolgerungen

Ein integriertes QAP liefert wertvolle Qualitätsmetriken und reduziert die Abhängigkeit von Expertenüberprüfungen. In multizentrischen Studien sichert ein QAP effektiv die Datenqualität und unterstützt die kontinuierliche Überwachung der Segmentierungsleistung.

Teilnahme Young Investigator Award

18:20 - 18:25

Vortrag (Wissenschaft)

Erklärbarkeit in KI-gestützter Differenzialdiagnostik von Lungenparenchymveränderungen in einer großen multizentrischen Kohorte

Benedikt Wichtlhuber (Frankfurt am Main)

weitere Autoren

Andreas Bucher (Frankfurt am Main) / Paul-Philipp Jacobs (Leipzig) / Andreas Bucher (Frankfurt am Main) / Paul-Philipp Jacobs (Leipzig) / Eric Frodl (Frankfurt am Main) / Matthias Neitzel (Frankfurt am Main) / Diane Renz (Hannover) / Alexey Surov (Minden) / Thomas Vogl (Frankfurt am Main) / Marwin-Jonathan Sähn (Aachen)

Zielsetzung

Die Differentialdiagnostik von Lungenparenchymveränderungen kann aufgrund der morphologischen Vielfalt insbesondere für unerfahrene Radiologen eine Herausforderung darstellen, lässt sich jedoch anhand strukturierter Befundung systematisch kategorisieren. Ziel dieser Studie war es daher, in einer großen multizentrischen Kohorte einen Machine Learning Algorithmus zu entwickeln und die entsprechenden Diagnosen mit Hilfe von SHAP Werten zu erklären.

Material und Methoden

In dieser multizentrischen retrospektiven Studie wurden CT-Untersuchungen von 3.814 Patienten aus 14 Standorten eingeschlossen. Jede Untersuchung wurde mit einem strukturierten Befund ausgewertet, in dem 133 Befunditems enthalten waren. Die in drei Qualitätsstufen gesicherten Diagnosen wurden in 10 Kategorien eingeteilt. Unter den Diagnosen befanden sich infektiöse Lungenerkrankungen, interstitielle Zustände, Malignome und Pleuraerkrankungen. Mittels vier Machine Learning Modellen (Gradient Boosting, Logistische Regression, Support Vector Machines und Random Forests) wurde die Diagnoseklasse vorhergesagt und jeweils mit Sensitivität, Spezifität, Genauigkeit und F1-Score evaluiert. Zusätzlich wurden SHAP-Werte für globale und lokale Erklärungen für jeden Klassifikator berechnet und fehlklassifizierte Diagnosen untersucht.

Ergebnisse

Die höchste Sensitivität für die Differenzialdiagnose von Malignomen wurde mit dem Random Forest-Modell erzielt (Sens: 0,83; Spez: 0,93; F1: 0,74; Gen: 0,92). Auch bei COVID-19 erreichte das Random Forest-Modell die beste Sensitivität (Sens: 0,78; Spez: 0,86; F1: 0,69; Gen: 0,84). Zystische Fibrose wies die höchste Sensitivität im Gradient Boosting-Modell auf (Sens: 0,84; Spez: 0,99; F1: 0,86; Gen: 0,99). Essenzielle Merkmale zur Vorhersage wurden identifiziert, wie Bronchiektasen für zystische Fibrose und Konsolidierungen für COVID-19. ​

Schlussfolgerungen

Mit strukturierten Befundvorlagen können Differenzialdiagnosen schnell und präzise mit Machine-Learning-Modellen klassifiziert und erklärt werden.

Teilnahme Young Investigator Award

18:25 - 18:30

Vortrag (Wissenschaft)

Automatische Detektion von fokalen Läsionen im MRT bei Patienten mit Multiplem Myelom – eine multizentrische Machbarkeitsstudie

Arvin von Salomon (Heidelberg)

weitere Autoren

Jessica Kächele (Heidelberg) / Tobias Nonnenmacher (Heidelberg) / Markus Bujotzek (Heidelberg) / Shuhan Xiao (Heidelberg) / Andres Martinez Mora (Heidelberg) / Marina Hajiyianni (Heidelberg) / Ekaterina Menis (Heidelberg) / Martin Grözinger (Heidelberg) / Fabian Bauer (Heidelberg) / Veronika Riebl (Heidelberg) / Thomas Hielscher (Heidelberg) / Britta Besemer (Tübingen) / Saif Afat (Tübingen) / Ullrich Graeven (Mönchengladbach) / Adrian Ringelstein (Mönchengladbach) / Mathias Hänel (Chemnitz) / Dieter Fedders (Chemnitz) / Alexandra Ljimani (Düsseldorf) / Gerald Antoch (Düsseldorf) / Andreas H. Mahnken (Marburg) / Elias Mai (Heidelberg) / Marc-Steffen Raab (Heidelberg) / Hartmut Goldschmidt (Heidelberg) / Tim Frederik Weber (Heidelberg) / Heinz-Peter Schlemmer (Heidelberg) / Stefan Delorme (Heidelberg) / Klaus Maier-Hein (Heidelberg) / Peter Neher (Heidelberg) / Markus Wennmann (Heidelberg)

Zielsetzung

Die Anzahl fokaler Läsionen im Ganzkörper-MRT ist ein wichtiger prognostischer Faktor bei Patienten mit Multiplem Myelom. Ziel der vorliegenden multizentrischen Machbarkeitsstudie war, einen KI-Algorithmus zu trainieren und zu testen, der automatisch fokale Läsionen im MRT detektiert.

Material und Methoden

Für diese retrospektive multizentrische Machbarkeitsstudie wurden MRTs von 408 Patienten mit monoklonalen Plasmazellerkrankungen aus 11 Zentren eingeschlossen. Um den Annotationsaufwand für die Machbarkeitsstudie zu limitieren, wurden die Analysen auf den linken Beckenknochen eingeschränkt und die MRTs wurden auf diesen Bereich maskiert. Alle fokalen Läsionen (n=754) im linken Beckenknochen wurden manuell segmentiert. Ein KI-Algorithmus für automatische Detektion (nnDetection) wurde auf 334 MRTs von Zentrum 1 darauf trainiert, fokale Läsionen zu detektieren. Anschließend wurde der Algorithmus auf 74 unabhängigen MRTs aus 10 externen Zentren getestet. Zur Beurteilung der Performance wurde der Spearman-Korrelationskoeffizient zwischen der prädizierten und der tatsächlichen Anzahl von fokalen Läsionen berechnet. Zudem wurden die mittlere durchschnittliche Präzision sowie der F1-Score auf Objektebene berechnet.

Ergebnisse

Die Anzahl der automatisch detektierten fokalen Läsionen korrelierte auf dem multizentrischen externen Test-Datensatz signifikant mit der Anzahl der manuell detektierten fokalen Läsionen (r= 0,64, p<0,05). Die mittlere durchschnittliche Präzision betrug 0,34. Der F1-Score auf Objektebene betrug 0,57.

Schlussfolgerungen

Die vorliegende Machbarkeitsstudie zeigt, dass eine automatische Detektion von fokalen Läsionen auf externen multizentrischen Daten möglich ist. Die positiven Ergebnisse aus dieser Machbarkeitsstudie im linken Becken dienen als Grundlage dafür, in Zukunft die Entwicklung eines Algorithmus für die Detektion von fokalen Läsionen im gesamten Skelett anzustreben.

Teilnahme Young Investigator Award

18:30 - 19:15

Diskussion

Diskussion

Häufige Fragen

Erst anmelden, dann teilnehmen!

Sie interessieren sich für ein RÖKO DIGITAL 2025-Webinar? Dann melden Sie sich bitte bis spätestens 1 Stunden vor Beginn der Veranstaltung einmalig für den RÖKO DIGITAL 2025 des 106. Deutschen Röntgenkongress – Kongress für medizinische Radiologie und bildgeführte Therapie an, damit wir Sie rechtzeitig für alle Angebote freischalten können.

Wenn Ihr Arbeitgeber eine Gruppenanmeldung vorgenommen hat, müssen Sie sich mit einem Anmelde-Code, den Sie vom Arbeitgeber erhalten, für die Teilnahme einmalig registrieren. Mit Eingabe des Codes ist die Anmeldung für Sie kostenfrei.

Alle Informationen zur Anmeldung und Gruppenanmeldung für den RÖKO DIGITAL 2025 erhalten Sie unter Anmeldung.

Teilnahme an RÖKO DIGITAL 2025-Webinaren

Bitte beachten Sie, dass Sie sich für jedes Webinar separat einloggen müssen!
Bei jeder Veranstaltung finden Sie rechts einen Button "Teilnehmen".

Jetzt teilnehmen!
Ab 10 Minuten vor Beginn des Webinars können Sie sich direkt ins Webinar einloggen. Voraussetzungen: Sie haben die Teilnahme am Kongress gebucht und Ihre Login-Daten zur Hand. DRG- und DGMTR-Mitglieder verwenden Ihre Zugangsdaten für den Mitgliederbereich. Nichtmitglieder nutzen bitte die Login-Daten, welche für die Anmeldung / Registrierung eingesetzt wurden.

Sie möchten ein Webinar für sich in Ihrer Merkliste vormerken!
Wenn Sie die Teilnahme am RÖKO DIGITAL 2025 bereits gebucht haben und bereits einige Zeit vor dem Webinar-Termin sich diesen vormerken wollen, klicken Sie auf den Button "Teilnehmen" und folgen Sie dem "RadiSSO-Login"-Button. Nach erfolgreichem Login kehren Sie automatisch auf die Seite zurück und erhalten eine Bestätigung über die erfolgreiche Vormerkung für die Teilnahme am Webinar. Wenn Sie sich für die Teilnahme vorgemerkt haben, kehren Sie kurz vor Beginn der Veranstaltung zurück, klicken Sie auf den "Teilnehmen"-Button oder falls Sie bereits eingeloggt sind auf den "Zum Webinar"-Button.
Ihre vorgemerkte Webinare finden Sie in Ihrem persönlichen RÖKO DIGITAL 2025-Programm im Benutzermenü.

Aufzeichnungen der Webinare auf conrad, der digitalen Lernplattform der DRG

Zugriff auf die Aufzeichnungen der Webinare auf conrad, der digitalen Lernplattform der DRG, ist ausschließlich den DRG-/DGMTR-Mitgliedern vorbehalten. Die Verfügbarkeit einer Webinar-Aufzeichnung wird nicht garantiert. Voraussetzung ist die Zustimmung der Referent:innen. Alle Aufzeichnungen werden bis zum 31.12.2026 abrufbar sein.

Möchten Sie als Nicht-Mitglied auch im Anschluss die Webinar-Aufzeichnungen ansehen, so ist der Abschluss einer DRG-/DGMTR-Mitgliedschaft erforderlich. Nutzen Sie zugleich alle weiteren Vorteile und werden Sie jetzt Mitglied in der DRG!

Sobald dieses Webinar in "conrad" verfügbar ist, erhalten Sie, anstelle des "Teilnehmen"-Buttons einen "Webinar in conrad"-Button, um direkt zum Webinar im conrad, der digitalen Lernplattform der DRG, zu gelangen.

Fortbildungspunkte (CME) / Teilnahmebescheinigung

Alle wissenschaftlichen Fortbildungsveranstaltungen werden bei der Landesärztekammer (LÄK) Berlin zertifiziert. Die Landesärztekammer vergibt 1 CME-Punkt pro Lehreinheit (45 Minuten), somit rechnen wir mit der Vergabe von 2 CME-Punkten pro 90 Minuten-Session.

Wenige Tage nach einem Live-Webinar erhalten Sie den Nachweis über Ihre Teilnahme per E-Mail. Darin werden auch die CME-Punkte ausgewiesen.

Bitte beachten Sie: Um Ihre Teilnahmedaten automatisch an die LÄK übermitteln zu können, benötigen wir Ihre Einheitliche Fortbildungsnummer (EFN). Diese können Sie bei Ihrem Mitgliedsantrag oder der Veranstaltungsanmeldung (Online-Anmeldeformular) angeben oder uns vor Teilnahme an den Webinaren per E-Mail an kongress@drg.de mitteilen.
Die automatische Übermittlung erfolgt ab dem Zeitpunkt des Vorliegens der EFN. Für zurückliegende Teilnahmebescheinigungen müssen Sie diese selbstständig bei der LÄK einreichen. Liegt uns Ihre EFN nicht vor, müssen Sie Ihre Teilnahmebescheinigung bei der zuständigen LÄK, bei der Ihr Fortbildungspunktekonto geführt wird, selbstständig einreichen.

CME-Punkte werden nur für Live-Webinare, jedoch nicht für das Ansehen der Aufzeichnungen auf conrad, der digitalen Lernplattform der DRG, vergeben.

Wann werden meine Fortbildungspunkte an die Landesärztekammer weitergeleitet?

Damit die Fortbildungspunkte innerhalb von fünf Arbeitstagen nach dem Webinar an den EIV* weitergeleitet werden können, ist es Voraussetzung, dass uns Ihre EFN bereits vorliegt oder dass Sie uns diese bei der Anmeldung zum RÖKO DIGITAL 2025 übermitteln.

Mitglieder der Deutschen Röntgengesellschaft können diese selbstständig im DRG-Mitgliederbereich eintragen.

Runlog

Öffnen