Search

Ziel: Die DRG-ÖRG-IRP (Deutsche Röntgengesellschaft-Österreichische Röntgengesellschaft Internationale Radiomics-Plattform) stellt eine web-/cloudbasierte Radiomics-Plattform auf Grundlage einer öffentlich-privaten Partnerschaft dar. Sie bietet die Möglichkeit der gemeinsamen Nutzung von Daten, Annotation, Validierung und Zertifizierung auf dem Gebiet der künstlichen Intelligenz, Radiomics-Analyse und integrierten Diagnostik. In einer ersten Proof-of-Concept-Studie soll die automatisierte Myokardsegmentation sowie die automatisierte myokardiale Late-Gadolinum-Enhancement (LGE)-Detektion mittels radiomischer Bildmerkmale für Myokarditis-Datensätze evaluiert werden. Material und Methoden: Die DRG-ÖRP-IRP kann zur Erstellung qualitätsgesicherter, strukturierter Bilddaten in Kombination mit klinischen Daten und anschließender integrierter Datenanalyse genutzt werden und zeichnet sich durch die folgenden Leistungskriterien aus: Nutzungsmöglichkeit multizentrischer vernetzter Daten, automatisiert berechnete Qualitätsparameter, Bearbeitung von Annotationsaufgaben, Konturerkennung mittels herkömmlicher Verfahren sowie Verfahren der künstlichen Intelligenz und der Möglichkeit einer gezielten Einbindung von Algorithmen. In einer ersten Studie wurde ein anhand kardialer CINE-Datensätze vortrainiertes neuronales Netz zur Segmentierung von PSIR-Datensätzen evaluiert. In einem zweiten Schritt wurden radiomische Bildmerkmale zur segmentalen Detektion von LGE der gleichen Datensätze, welche multizentrisch über die IRP zu Verfügung gestellt wurden, angewendet. Ergebnisse: Erste Ergebnisse zeigen die Vorteile (Datentransparenz, Zuverlässigkeit, breite Einbindung aller Mitglieder, kontinuierliche Evolution sowie Validierung und Zertifizierung) dieses plattformbasierten Ansatzes auf. In der Proof-of-Concept-Studie konnte im Vergleich zur Segmentierung des Myokards durch den Experten das neuronale Netzwerk einen Dice-Koeffizienten von 0,813 nachweisen. Im Rahmen der segmentbasierten myokardialen LGE-Detektion ergab sich ein AUC von 0,73 bzw. ein AUC von 0,79 nach Ausschluss von Segmenten mit unsicherer Annotation. Die Auswertung und Bereitstellung der Daten findet auf der IRP unter Berücksichtigung der FAT-Kriterien (Fairness, Accountability, Transparency) sowie FAIR-Kriterien (findable, accessible, interoperable, reusable) statt. Schlussfolgerung: Es konnte gezeigt werden, dass die DRG-ÖRP-IRP als Kristallisationspunkt für die Generierung weiterer Einzel- und Verbundprojekte genutzt werden kann. Die Durchführung von quantitativen Analysen mit Verfahren der künstlichen Intelligenz wird hierbei durch den Plattformansatz der DRG-ÖRP-IRP erheblich erleichtert, da vorab trainierte neuronale Netze integriert und wissenschaftliche Gruppen vernetzt werden können. In einer ersten Proof-of-Concept-Studie zur automatisierten Segmentation des Myokards sowie zur automatisierten myokardialen LGE-Detektion konnten diese Vorteile erfolgreich angewendet werden. Somit zeigt sich, dass sich mittels der DRG-ÖRP-IRP strategische Ziele interdisziplinär umsetzen, konkrete alltagstaugliche Proof-of-Concept-Beispiele aufzeigen sowie möglichst partizipativ unter Einbindung aller Gruppierungen eine Vielzahl an Einzel- und Verbundprojekten realisieren lassen.

A case of congenital arterioportal fistulas in a girl of 4 months of age is presented. Clinical signs of necrotising enteritis developed due to portal hypertension. The diagnosis was established via Doppler-duplex ultrasound showing a pulse-synchronous bidirectional flow pattern in the portal vein and its major branches. The diagnosis was confirmed by angiography.

Introduction: In order to alleviate the correct planning of liver resections various liver planning systems have been tried in the past couple of years. Of all established systems the in between correlation of those using 3D and augmented reality with the real surgical situs has been reported to be [for full text, please go to the a.m. URL], 131. Kongress der Deutschen Gesellschaft für Chirurgie

Clinical History Image Findings Discussion Find Diagnosis Differential Diagnosis, male, 14 years, Clinical History: A 14 year old boy with previous mediastinal Hodgkin lymphoma, treated with chemotherapy, in complete remission for 4 months, presented with dyspnea, which was worse in the lying position and when he was playing the trumpet. A few months later recurrent Ho... Final Diagnosis: Phrenic nerve neuropathy due to recurrent mediastinal Hodgkin lymphoma.

Medical volume segmentation in various imaging modalities using real 3D approaches (in contrast to slice-by-slice segmentation) represents an actual trend. The increase in the acquisition resolution leads to large amount of data, requiring solutions to reduce the dimensionality of the segmentation problem. In this context, the real-time interaction with the large medical data volume represents another milestone. This paper addresses the twofold problem of the 3D segmentation applied to large data sets and also describes an intuitive neuro-fuzzy trained interaction method. We present a new hybrid semi-supervised 3D segmentation, for liver volumes obtained from computer tomography scans. This is a challenging medical volume segmentation task, due to the acquisition and inter-patient variability of the liver parenchyma. The proposed solution combines a learning-based segmentation stage (employing 3D discrete cosine transform and a probabilistic support vector machine classifier) with a post-processing stage (automatic and manual segmentation refinement). Optionally, an optimization of the segmentation can be achieved by level sets, using as initialization the segmentation provided by the learning-based solution. The supervised segmentation is applied on elementary cubes in which the CT volume is decomposed by tilling, thus ensuring a significant reduction of the data to be classified by the support vector machine into liver/not liver. On real volumes, the proposed approach provides good segmentation accuracy, with a significant reduction in the computational complexity.