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

Wissenschaftliche Sitzung

Radiologie und IT - Voxel für Voxel: Die Kunst der Bildsegmentierung

Radiologie und IT - Voxel für Voxel: Die Kunst der Bildsegmentierung
Mittwoch, 28. Mai 2025 · 10:45 bis 11:45 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.
28
Mai

Mittwoch, 28. Mai 2025

10:45 bis 11:45 Uhr · Raum: Terrassensaal C  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 WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Informationen

Moderation
Horst Karl Hahn (Bremen)
Judith Herrmann (Tübingen)

Ablauf

10:45 - 10:50

Vortrag (Wissenschaft)

Zeitabhängige, machine learning-basierte Segmentierung Hepatozellulärer Karzinome in dynamischen digitalen Subtraktionsangiographie-Serien

Philipp Schindler (Münster)

weitere Autoren

Lucas Plagwitz (Münster) / Gesa Pöhler (Münster) / Michael Köhler (Münster) / Max Masthoff (Münster)

Zielsetzung

Ziel dieser Studie ist es, das Potential von zeitabhängigen Segmentierungsmodellen in dynamischen digitalen Subtraktionsangiographie-Serien (DSA) für die Erkennung und Charakterisierung von Hepatozellulärem Karzinom (HCC) in einem Datensatz von 115 Patienten zu untersuchen. Durch die Verwendung dynamischer Daten anstelle der konventionellen statischen CT- oder MRT-basierten-Texturanalyse sollen die Vorhersage- und Prognosefähigkeiten verbessert und damit das Patientenmanagement optimiert werden.

Material und Methoden

Bei insgesamt 115 Patienten mit HCC wurde für die transarterielle Chemoembolisation (TACE) eine DSA durchgeführt, die zeitabhängige dynamische Bilddaten liefert. Für die Verarbeitung der DSA-Serien wurde eine zeitabhängige U-Netzwerk-Architektur verwendet. Zwei Fachärzte, spezialisiert in interventioneller Onkologie, annotierten HCC-Tumore für das Training und die Kreuzvalidierung des maschinellen Lernalgorithmus während aller Messungen. Die Evaluierung der Perfomance des Segmentierungsmodells erfolgte anhand des Dice-Scores und der balancierten Genauigkeit.

Ergebnisse

Die machine learning-basierte Analyse unterscheidet erfolgreich HCC-Läsionen von benignem Lebergewebe auf der Grundlage dynamischer Texturmerkmale mit einem Dice Score von 0,54 und einer balancierten Genauigkeit von 0,78.

Schlussfolgerungen

Diese Studie unterstreicht den Wert dynamischer Daten für die Verbesserung der diagnostischen und prognostischen Prozesse beim HCC. Die Möglichkeit, wichtige Tumorcharakteristika in dynamischen Bildserien über die Zeit zu erkennen, verleiht der Patientenbeurteilung eine neue Dimension, die zu maßgeschneiderten und wirksameren Behandlungsstrategien führen kann.
10:50 - 10:55

Vortrag (Wissenschaft)

Automatisierte Segmentierung pulmonaler Arterien und Venen in Thorax-CTs

Karoline Heber (Bremen)

weitere Autoren

Bianca Lassen-Schmidt (Bremen) / Felix Thielke (Bremen) / Felix Meinel (Rostock)

Zielsetzung

Die Segmentierung pulmonaler Arterien und Venen (PA, PV) bietet wertvolle Unterstützung bei der Lungendiagnostik und Planung chirurgischer Tumorresektionen. Da manuelle Segmentierungen mit mehreren Stunden zeitaufwändig sind, werden automatisierte Lösungen dringend benötigt. Diese Studie zielt darauf ab, ein KI-Modell zur automatischen Multiklassen-Segmentierung von PA und PV auf Thorax-CTs zu entwickeln.

Material und Methoden

46 PatientInnen (63±10 Jahre, 41% weiblich) mit Lungenpathologien (Lungenkrebs, Atelektase, Emphysem-Bullae und Pneumothorax) wurden retrospektiv eingeschlossen. Die Bildakquisition von CTPAs in der arteriellen Phase erfolgte multizentrisch mit insgesamt 8 unterschiedlichen Scannern und variabler Schichtdicke (0.8-1.5mm). ExpertInnenannotationen der PA und PV lagen innerhalb der Lunge für alle Scans vor. Die Daten wurden in Trainings-, Validierungs- und Testsets (28/8/10 Fälle) aufgeteilt, um ein nnU-Net für die Segmentierung zu trainieren. Die quantitative Leistungsbewertung erfolgte mittels Dice (DSC) und clDice unter Verwendung des Medians und Konfidenzintervalls (Bootstrapping).

Ergebnisse

Die Analyse der 10 Testfälle ergab eine hohe Übereinstimmung zwischen Referenz und Modellvorhersagen mit DSC_PA=0.836% (95%-CI: 0.825-0.858) und DSC_PV=0.867% (95%-CI: 0.832-0.876). Die Segmentierungen zeigten visuell überwiegend zusammenhängende Gefäßstrukturen, was ein hoher clDice_PA=0.848% (95%-CI: 0.818-0.873) und clDice_PV=0.868% (95%-CI: 0.859-0.880) bestätigen. Falsch klassifizierte Äste traten in erkrankten und vereinzelt in gesunden Lungenbereichen auf.

Schlussfolgerungen

Das entwickelte Deep Learning-Modell kann den Großteil der PA und PV in den Testdaten korrekt und zuverlässig segmentieren. Es erreicht zwar noch nicht die Qualität einer manuellen Segmentierung durch RadiologInnen, liefert jedoch schnelle Ergebnisse und kann durch zusätzliche Trainingsdaten weiter optimiert werden. Es wird im RACOON-Netzwerk verteilt und steht allen Unikliniken für die Forschung zur Verfügung.

Teilnahme Young Investigator Award

10:55 - 11:00

Vortrag (Wissenschaft)

Strukturelle Veränderungen im Pankreas bei Diabetes mellitus Typ 1 und Typ 2: 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 Studie zielt darauf ab, strukturelle Veränderungen des Pankreas bei Patienten mit Diabetes mellitus Typ 1 (DM1) und Typ 2 (DM2) 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 nach der 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

Es wurden keine signifikanten Unterschiede in der Pankreasverfettung (p = 0,44) und Verkalkung (p = 0,41) zwischen DM2-Patienten mit niedrigen und hohen HbA1c-Werten festgestellt. In der DM1-Gruppe zeigte sich eine starke positive Korrelation (0,81) zwischen Verkalkung und HbA1c, was darauf hindeutet, dass eine höhere Verkalkung mit einer schlechteren glykämischen Kontrolle assoziiert ist. Eine moderate Korrelation (0,67) zwischen Fett und HbA1c lässt eine beeinträchtigte Glukoseregulation bei höherem Fettgehalt erkennen, während die schwache Korrelation (0,20) zwischen Fett und Verkalkung darauf hinweist, dass jene Faktoren in dieser Gruppe unabhängig voneinander wirken.

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

11:00 - 11:05

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

11:05 - 11:10

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

11:10 - 11:15

Vortrag (Wissenschaft)

Automatisierte multimodale Organsegmentierung in der pädiatrischen Radiologie: Ein Ansatz zum Domänenshift für CT- und MR-Bildgebung

Marcel Eicke (Hannover)

weitere Autoren

Kai Geißler (Bremen) / Markus Benedikt Krüger (Hannover) / Jasmin Heepe (Hannover) / Hinrich Winther (Hannover) / Fabian Knörr (Hamburg) / Antonio Paul Kuhnt (Hannover) / Andreas Bucher (Frankfurt) / Hans-Joachim Mentzel (Jena) / Jochen Herrmann (Hamburg) / Clemens Benoit (Würzburg) / Andrea Schenk (Hannover) / Wilhelm Wößmann (Hamburg) / Diane Renz (Hannover) / Bianca Lassen-Schmidt (Bremen)

Zielsetzung

In der pädiatrischen Radiologie fehlen ausreichend etablierte Werkzeuge für eine automatisierte Segmentierung von CT- und MRT-Bildern, um den manuellen Aufwand bei der Organvolumetrie und Normwertbestimmung zu reduzieren. Wir präsentieren ein Segmentierungsnetzwerk, das mit einer Global Intensity Non-Linear (GIN-) Augmentation auf einem öffentlich verfügbaren, pädiatrischen CT-Datensatz trainiert wurde und zeigen dessen Potenzial für qualitative Segmentierungen von Thorax- und Abdominalorganen sowie des Spinalkanals in pädiatrischen CT- und MRT-Untersuchungen.

Material und Methoden

Wir haben ein 3D-UNet auf 250 Bildern des öffentlichen Pediatric-CT-Segmentation-Datensatzes trainiert und eine Global Intensity Non-Linear Augmentation integriert, die Domänenshifts ausgleichen und den Transfer auf andere Modalitäten erleichtern soll. Das Modell wurde auf 30 pädiatrischen MRTs und 30 Säuglings-CTs sowie auf 70 zusätzlichen Bildern des öffentlichen CT-Datensatzes evaluiert.

Ergebnisse

Unser GIN-Modell erreicht einen Dice-Score von 0,90 ± 0,11 auf den öffentlichen CT-Daten, 0,73 ± 0,08 auf den Säuglings-CTs und 0,68 ± 0,23 auf den MRT-Bildern. In allen drei Gruppen zeigt sich, dass Lungenflügel, Leber, Milz, Herz und Nieren durchschnittlich bessere Ergebnisse erzielen als Thymus, Pankreas und Spinalkanal. In unserer Evaluation über alle Daten erzielt das GIN-Modell bessere Ergebnisse als TotalSegmentator sowie ein vergleichbares pädiatrisches Segmentierungsmodell ohne GIN-Augmentierung.

Schlussfolgerungen

Unsere Studie zeigt, dass unser GIN-Modell auf pädiatrischen CTs hochqualitative Segmentierungen produziert und auch auf MRTs mit leichten Einschränkungen gute Ergebnisse erzielen kann. Das Netzwerk ist ausreichend robust um in einer größeren Studie zur automatisierten Erstellung von Normwerten für Organvolumina getestet zu werden und so, die klinische Anwendbarkeit umfassender zu evaluieren.
11:15 - 11:20

Vortrag (Wissenschaft)

Deep Learning Segmentierung fetaler MRTs für die Outcome Analyse der angeborenen Zwerchfellhernie

Leon Bischoff (Bonn)

weitere Autoren

Sebastian Nowak (Bonn) / Maximilian Mader (Bonn) / Maike Theis (Bonn) / Thomas Vollbrecht (Bonn) / Alexander Isaak (Bonn) / Daniel Kuetting (Bonn) / Claus Christian Pieper (Bonn) / Annegret Geipel (Bonn) / Florian Kipfmüller (Bonn) / Brigitte Strizek (Bonn) / Martin Sprinkart (Bonn) / Julian Luetkens (Bonn)

Zielsetzung

Zur Einschätzung der postnatalen Überlebensfähigkeit von Feten mit angeborener Zwerchfellhernie wird das fetale Körper- und Lungenvolumen im MRT quantifiziert. Aufgrund der großen Heterogenität der Erkrankung ist die Segmentierung schwierig und zeitaufwendig. Das Studienziel war deshalb die Entwicklung eines Deep Learning (DL) basierten Segmentierungs-Algorithmus.

Material und Methoden

Zwischen August 2007 und September 2023 wurden fetale MRTs mit angeborener Zwerchfellhernie retrospektiv eingeschlossen. Nach manueller Segmentierung des fetalen Körpervolumens (FKV) und Lungenvolumens (FLV) in Slicer3D wurden zwei separate 3D U-Nets auf die automatisierte Segmentierung trainiert. Die "Observed/Expected" Ratio des totalen Lungenvolumens (O/E TLV) als prognostischer Marker für das postnatale Überleben wurde berechnet. Der Zusammenhang zwischen O/E TLV und postnatalen Todesfällen, sowie der Nowendigkeit einer extrakorporalen Membranoxygenierung (ECMO) wurde mittels binärer logistischer Regression untersucht.

Ergebnisse

208 fetale MRTs wurden eingeschlossen. Manuelles und DL FKV (1317±498 ml vs. 1306±491 ml; P=0,04; Dice score: 0,98±0,01) unterschieden sich geringgradig. Manuelle und DL-basierte TLV (19,4±11,5 ml vs. 18,7±12,4 ml; P=0,11; Dice score: 0,84±0,09) und O/E TLV (39,3±18,1 ml vs. 37,7±19,1 ml, P=0,13) waren identisch. Ein erhöhtes postnatales Todesrisiko war assoziert mit einem erniedrigten manuellen O/E TLV (odds ratio: 0,97 [95% confidence interval (CI): 0,96-0,98], P<0,001) und DL O/E TLV (odds ratio: 0,97 [95% CI: 0,96-0,98], P<0,001). Die Notwendigkeit einer ECMO war mit einer erniedrigten manuellen O/E TLV (odds ratio: 0,98 [95% CI: 0,98-0,99], P<0,001) und DL O/E TLV (odds ratio: 0,98 [95% CI: 0,98-0,99], P<0,001) assoziiert.

Schlussfolgerungen

Die Deep Learning basierte Körper- und Lungensegmentierung von Feten mit angeborener Zwerchfellhernie im MRT ermöglicht eine valide Berechnung der "Observed-Expected" Ratio des totalen Lungenvolumens und lässt zuverlässig auf postnatale Outcomeparameter schließen.

Teilnahme Young Investigator Award

11:20 - 11:45

Diskussion

Diskussion

Runlog

Öffnen
JETZT LIVE: Fit für die Facharztprüfung - Interventionelle Radiologie.
Teilnehmen