Refresher-Kurs

KI höher, schneller, weiter - was kommt, was bleibt? - Muskuloskelettale Radiologie

KI höher, schneller, weiter - was kommt, was bleibt? - Muskuloskelettale Radiologie
Samstag, 4. Juni 2022 · 12:00 bis 13:00 Uhr
4
Juni

Samstag, 4. Juni 2022

12:00 bis 13:00 Uhr · ZoomWebinar  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V
Art
Refresher-Kurs
Thema
Bildverarbeitung/ IT/ Software

Zertifizierungen

1 CME Punkt der Kategorie A
Akademie

Informationen

Moderation
Matthias May (Erlangen)
Daniel Pinto dos Santos (Köln)
Judith Herrmann (Tübingen)

Ablauf

12:00 - 12:10

Vortrag (Fortbildung)

KI-Anwendungen in der MSK-Bildgebung

Sven Nebelung (Aachen) / Daniel Truhn (Aachen)

12:10 - 12:15

Vortrag (Wissenschaft)

Automatisierte Qualitätsbewertung von Röntgenaufnahmen des oberen Sprunggelenks mittels künstlicher Intelligenz

Hauke Gerdes (Lübeck)

weitere Autoren

Dominik Mairhöfer (Lübeck) / Manuel Laufer (Lübeck) / Fabio Leal dos Reis (Lübeck) / Jan Preuss (Lübeck) / Thomas Käster (Lübeck) / Erhardt Barth (Lübeck) / Thomas Martinetz (Lübeck) / Jörg Barkhausen (Lübeck) / Arpad Bischof (Lübeck) / Malte Sieren (Lübeck)

Zielsetzung

Geometrisch-anatomische Merkmale, wie zum Beispiel scharfe, überlagerungsfreie Knochenkonturen, sind wesentliche Qualitätskriterien radiographischer Projektionsaufnahmen. Während Experten diese Merkmale visuell erfassen können, ist eine automatisierte Bewertung dieser Kriterien bisher nicht möglich. Hier kann künstliche Intelligenz (KI) Abhilfe schaffen.
Das Ziel dieser Arbeit ist die Entwicklung eines KI-basierten Algorithmus zur automatisierten Qualitätsbewertung von Röntgenbildern auf Basis definierter Kriterien am Beispiel des oberen Sprunggelenks (OSG).

Material und Methoden

900 Röntgenbilder des OSG (450 anterior-posterior (AP), 450 laterale Projektionen (LAT)) wurden auf Basis geometrisch-anatomischer Merkmale semiquantitativ von bis zu vier Radiologen als 1 (ausgezeichnet), 2 (akzeptabel), 3 (nicht akzeptabel) bewertet.
Der Datensatz wurde zwölfmal zufällig im Verhältnis 80:20 in Trainings-/Testgruppe aufgeteilt, um jeweils ein Deep Convolutional Neural Network (EfficientNet-B0) zu trainieren. Der Mittelwert der Bewertungen durch die Radiologen diente als Referenzstandard, eine Abweichung von <0,5 wurde als Übereinstimmung gewertet.

Ergebnisse

Die Genauigkeit der Qualitätsvorhersage erreichte für AP-Projektionen 90,1%±0,02 und für LAT-Projektionen 91,3%±0,01. Cohens Kappa zeigte eine beachtliche Übereinstimmungsgüte (0,77; p<0,001). Der mittlere absolute Fehler der semiquantitativen Bewertung betrug 0,2/0,2 (AP/LAT).

Schlußfolgerungen

Diese Arbeit demonstriert einen KI-basierten Ansatz zur automatisierten Beurteilung der Qualität von Röntgenaufnahmen des Sprunggelenks basierend auf Bildmerkmalen mit beachtlicher Übereinstimmungsgüte zu Experteneinschätzungen. Der Ansatz bietet ein breites Spektrum möglicher Anwendungen, von einem Assistenzsystem für medizinisch-technische Assistenten, bis hin zur Bewertung von Datensätzen für das Training von KI-Anwendungen zur Garantie einer ausreichenden Datenqualität.
12:15 - 12:20

Vortrag (Wissenschaft)

Vorhersage der Röntgenbildqualität des oberen Sprunggelenks mittels Tiefenbildtechnik und künstlicher Intelligenz – eine Kadaverstudie

Fabio Leal dos Reis (Lübeck)

weitere Autoren

Manuel Laufer (Lübeck) / Dominik Mairhöfer (Lübeck) / Hauke Gerdes (Lübeck) / Jan Preuss (Lübeck) / Thomas Käster (Lübeck) / Erhardt Barth (Lübeck) / Thomas Martinetz (Lübeck) / Jörg Barkhausen (Lübeck) / Arpad Bischof (Lübeck) / Malte Maria Sieren (Lübeck)

Zielsetzung

Die korrekte Ausrichtung der Patientenanatomie vor der Röntgenröhre ist elementar für die diagnostische Qualität des resultierenden Röntgenbildes. Tiefenbild (Time-of-Flight; ToF) Kameraaufnahmen gepaart mit künstlicher Intelligenz (KI) bieten das Potenzial, die zu untersuchende Anatomie vor der Strahlenexposition zu erfassen und die Röntgenbildqualität zu prognostizieren. Röntgenaufnahmen niedriger Qualität könnten so verhindert werden.
Das Ziel der Studie war der Machbarkeitsnachweis einer KI gestützten Qualitätsvorhersage der Röntgenbildqualität des oberen Sprunggelenks (OSG) mit Hilfe einer Kadaverstudie durch ToF-Aufnahmen.

Material und Methoden

Für die Qualitätsvorhersage durch die ToF-Aufnahmen werden Trainingsdatenpaare aus ToF-Aufnahme und Röntgenbildbewertung benötigt. Mittels eines anatomischen Kadaverpräparates des OSG wurden 123 Bilddatenpaare aufgenommen. Die Qualität der Röntgenbilder wurde durch einen Radiologen semiquantitativ mit 1 (ausgezeichnet), 2 (akzeptabel), 3 (nicht akzeptabel) bewertet.
Der Datensatz wurde zehnmal im Verhältnis 80:20 in Trainings-/Testgruppe aufgeteilt, um ein Deep Convolutional Neural Network (EfficientNet-B0) für die Qualitätsvorhersage aus Tiefenbilddaten zu trainieren. Eine Abweichung von <0,5 von der Bewertung des Radiologen wurde als Übereinstimmung gewertet.

Ergebnisse

Der Algorithmus erreichte eine Vorhersagegenauigkeit von 87%±0,05 sowie einen Pearson Korrelationskoeffizienten von 0,85±0,06. Der mittlere absolute Fehler der semiquantitativen Bewertung betrug 0,14±0,05, die mittlere quadratische Abweichung 0,12±0,05.

Schlußfolgerungen

Diese Studie belegt die Machbarkeit einer Qualitätsvorhersage von Röntgenbildern des OSG auf Basis von Tiefenbildtechnik, bevor es zu einer Strahlenexposition kommt. Perspektivisch könnte dieses Assistenzsystem die Qualität von Röntgenbildern verbessern und die Strahlenexposition durch Reduzierung von Wiederholungsaufnahmen verringern.
12:20 - 12:25

Vortrag (Wissenschaft)

Deep Learning zur Erkennung von Osteosynthesematerial, Hartverbänden und postoperativen Veränderungen am Beispiel des Sprunggelenks

Phuong Hien Tran (Freiburg)

weitere Autoren

Philipp Rebmann (Freiburg i. Br.) / Hien Tran (Freiburg) / Elias Kellner (Freiburg) / Marco Reisert (Freiburg) / Fabian Bamberg (Freiburg) / Elmar Kotter (Freiburg) / Maximilian Russe (Freiburg)

Zielsetzung

Entwicklung eines robusten Deep-Learning-Algorithmus zur Erkennung von Osteosynthesematerial (OM), Hartverbänden (HV) und postoperativem Status (OP) für die optimierte automatische Bildvorselektion für spezifische Algorithmen.

Material und Methoden

1129 OSG-Röntgenbilder aus unserer Abteilung aus den Jahren 2017-2019 wurden sequentiell von zwei Mitarbeitern hinsichtlich des Vorliegens von OM (15%), HV (12%) und OP (14%) klassifiziert. 856 (76%) Bilder wurden für das Training, 213 (19%) für die Validierung und 60 (5%) für die separate Ergebnisberechnung verwendet.
Zur Erstellung des Deep-Learning-Modells wurde ein Image.net-vortrainiertes InceptionV3-Netzwerk modifiziert, um binäre Ausgaben zu erzeugen. Alle Bilder wurden auf 256*256 Pixel skaliert, randomisiert und dynamisch zum Zeitpunkt der Erstellung von Trainingsbatches augmentiert.
Das Training erfolgte über 200 Trainingsepochen, als Solver wurde AdaDelta verwendet und die Lernrate wurde kontinuierlich von 0,1 auf 0,005 reduziert.

Entwicklung und Training erfolgten in Tensorflow 2.5 auf einer GPU (Nvidia Tesla P100). Zur Auswertung und Visualisierung der Ergebnisse kamen sklearn und tf-explain zum Einsatz.

Ergebnisse

Das Training der Netzwerke dauerte jeweils etwa 1.5h. Die Bildverarbeitung aller 60 Testbilder dauerte 30 Sekunden. Die Erkennungsgenauigkeit für Osteosynthesematerial beträgt 100%, für Hartverbände 97%, für postoperativen Status 91%. Die ROC AUC entspricht jeweils 1.0, 0.96 und 0.90.

Schlußfolgerungen

Mit dem verwendeten Setup konnten hochakkurate neuronale Netzwerke in relativ kurzer Zeit trainiert werden. Die erstellten Algorithmen zeigen gute Erkennungs- bzw. Ausschlussraten für Osteosynthesematerial, Hartverbände und postoperativen Status. Ein solcher AI-Filter kann z.B. in einem DICOM-Proxy als Sortieralgorithmus dienen und einen optimierten automatisierten Einsatz von KI-basierten Algorithmen in klinischen Arbeitsabläufen ermöglichen. Fehlanwendungen von spezifischen Netzwerken können so vermeiden und die Gesamtperformance verbessert werden.
12:25 - 12:30

Vortrag (Wissenschaft)

Pädiatrische Altersschätzung aus Röntgenbildern des Knies mittels Deep Learning

Kai Naßenstein (Essen)

weitere Autoren

Lale Umutlu (Essen) / Aydin Demircioglu (Essen)

Zielsetzung

Altersschätzungen basierend auf Röntgenbildern werden regelmäßig in verschiedenen Zusammenhängen verwendet, die von forensischen über medizinisch-juristische bis hin zu klinischen Anwendungen reichen. Es wurde ein neuronales Netzwerk entwickelt, um das chronologische Alter von Knieröntgenbildern bei pädiatrischen Patienten automatisch zu schätzen.

Material und Methoden

In dieser retrospektiven Studie wurden 3816 Röntgenbilder des Knies von pädiatrischen Patienten aus einer deutschen Population gesammelt, um ein neuronales Netz zu trainieren. Das Netzwerk wurde trainiert, um das chronologische Alter aus den Röntgenbildern des Knies vorherzusagen, und wurde an einer unabhängigen Validierungskohorte von 423 Röntgenbildern und an einer externen Validierungskohorte von 197 Röntgenbildern evaluiert.

Ergebnisse

Das Modell wies einen mittleren absoluten Fehler von 0,86 ± 0,72 Jahren und 0,9 ± 0,71 Jahren in der der internen und externen Validierungskohorte auf. Die Trennung der Altersklassen (<14 Jahre von >= 14 Jahren und <18 Jahre von >= 18 Jahren) ergab AUCs zwischen 0,94 und 0,98.

Schlußfolgerungen

Das chronologische Alter pädiatrischer Patienten kann mit guter Genauigkeit anhand von Röntgenaufnahmen des Knies mit Hilfe eines neuronalen Netzes geschätzt werden.
12:30 - 12:35

Vortrag (Wissenschaft)

Multiparametrische 3T-MRT zur Evaluation des Ansprechens von Weichteilsarkomen auf eine neoadjuvante Strahlentherapie - Ein Algorithmus zur Co-Registrierung von Histopathologie und MRT

Matthias Jung (Freiburg)

weitere Autoren

Alexander Runkel (Freiburg) / Thierno Diallo (Freiburg) / Jurij Kiefer (Freiburg) / Peter Bronsert (Freiburg) / Pia Jungmann (Freiburg) / Michel Eisenblätter (Freiburg) / Fabian Bamberg (Freiburg) / Matthias Benndorf (Freiburg)

Zielsetzung

Etablierung eines exakten Co-Registrierungsverfahrens von in-vivo multiparametrischer MRT (mpMRT) und (Immun-)Histopathologie von Weichteilsarkomen (STS) zur Identifizierung von Bildgebungsparametern, die das Ansprechen von STS auf die Strahlentherapie charakterisieren.

Material und Methoden

Die mpMRT wird vor, während und nach der neoadjuvanten Strahlentherapie durchgeführt. Das mpMRT-Protokoll beinhaltet DWI-, IVIM und DCE-Sequenzen. Das OP-Präparat wird nach Fixierung in Formalin in Agarose eingebettet. Um eine identische Orientierung der Histologie und der in-vivo MRT zu erhalten, wird ein ex-vivo mit dem in-vivo MRT fusioniert. Die abweichende Winkelung des Präparats zur in-vivo Lage des Tumors wird bestimmt. Der Agaroseblock wird entsprechend zugeschnitten. Ein 2. ex-vivo MRT wird in einem speziellen Localizer angefertigt, der auf eine spezielle Schneideapparatur abgestimmt ist. Die Schnitte werden mit HE gefärbt. Immunhistochemische Färbungen werden mit ALDH1A1 als Radioresistenz-, und MIB1 als Proliferationsmarker durchgeführt. Die Fusion der digitalisierten Patho-Schnitte mit dem in-vivo mpMRT erfolgt über eine Zwischenregistrierung mit dem ex-vivo MRT.

Ergebnisse

Erste Analysen zeigen eine starke morphologische Korrelation der Patho-Schnitte mit der in-vivo MRT nach Radiatio. In ersten Analysen der Fusionierung von posttherapeutischen Resektionspräparaten mit der mpMRT fanden sich im Vergleich zu nekrotischen Tumoranteilen in der Ktrans-Karte erhöhte Werte in vitalen Tumoranteilen, die MIB1- und ALDH1A1-positive Zellen aufweisen.

Schlußfolgerungen

Unsere ersten Ergebnisse liefern einen vielversprechenden Ansatz, der eine exakte Co-Registrierung von Histopathologie und in-vivo MRT bei STS gewährleistet. In einer größeren Patientenkohorte wird die hier etablierte Methode die prospektive Identifizierung und Validierung von in-vivo Bildgebungs-Biomarkern ermöglichen, die ein Monitoring des Ansprechens von STS auf eine neoadjuvante Strahlentherapie durch präzise molekulare und zelluläre Korrelationen erlauben.
12:35 - 13:00

Diskussion

Diskussion

Häufige Fragen

Erst anmelden, dann teilnehmen!

Sie interessieren sich für ein Röntgenkongress-Webinar? Dann melden Sie sich bitte bis spätestens 24 Stunden vor Beginn der Veranstaltung einmalig für den 103. Deutschen Röntgenkongress 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 anmelden. Mit Eingabe des Codes ist die Anmeldung für Sie kostenfrei.

Alle Informationen zur Anmeldung und Gruppen Anmeldung für den digitalen und den Präsenzkongress erhalten Sie unter Anmeldung.

Teilnahme an Röntgenkongress-Webinaren

Bitte beachten Sie, dass Sie sich für jedes Webinar separat einloggen müssen.
Bei jeder Veranstaltung finden Sie ca. 10 Tage vor dem Termin oben rechts einen grünen 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 VMTB-Mitglieder verwenden Ihre Zugangsdaten für den Mitgliederbereichs. Nichtmitglieder nutzen bitte die Login-Daten, welche für die Anmeldung / Registrierung eingesetzt wurden.

Es ist nicht mehr erforderlich, dass Sie im Vorfeld einen Link anfordern!

Sie möchten ein Webinar für sich in Ihrer Merkliste vormerken!
Wenn Sie die Teilnahme am Deutschen Röntgenkongress bereits gebucht haben und bereits einige Zeit vor dem Webinar-Termin sich diesen vormerken wollen, nutzen Sie bitten den Button „Login“. Sie werden zum Login-Formular weitergeleitet. 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 Ihrer persönlichen Merkliste in der Menüleiste.

Teilnahme an Röntgenkongress-Industrie-Webinaren

Bei jeder Veranstaltung, die bereits für die TeilnehmerInnen freigeschaltet wurde, finden Sie oben rechts einen grünen "Teilnehmen"-Button.

Wenn Sie Kongress-TeilnehmerIn und bereits eingeloggt sind, erhalten Sie umgehend eine Bestätigung für die Vormerkung zur Teilnahme am Webinar, und wenn das Webinar innerhalb der nächsten zehn Minuten startet, oder bereits begonnen hat, werden Sie direkt in das Webinar geleitet.

Wenn Sie Kongress-TeilnehmerIn und NICHT eingeloggt sind, klicken Sie auf den Button "Login". Sie werden zum Login-Formular weitergeleitet. Nach erfolgreichem Login kehren Sie automatisch auf die Seite zurück und erhalten eine Bestätigung über die erfolgreiche Vormerkung für die Teilname am Webinar, und werden, wenn das Webinar innerhalb der nächsten zehn Minuten startet, oder bereits begonnen hat, direkt in das Webinar geleitet.

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.

Wenn Sie kein Kongress-TeilnehmerIn sind, haben Sie die Möglichkeit an unseren Industrie-Veranstaltungen kostenfrei als Gast teilzunehmen. Hierzu können Sie ab ca. 10 Minuten vor Beginn der Veranstaltung, unter Angabe Ihres vollständigen Namens sowie Ihrer E-Mail-Adresse teilnehmen.

Aufzeichnungen der Webinare auf conrad, der interaktiven Lernplattform der DRG

Zugriff auf die Aufzeichnungen der Webinare auf conrad, der interaktiven Lernplattform der DRG, ist ausschließlich den DRG-/VMTB-Mitgliedern vorbehalten. Die Verfügbarkeit einer Webinar-Aufzeichnung wird nicht garantiert. Voraussetzung ist die Zustimmung der Referentin/des Referenten. Alle Aufzeichnungen werden bis zum 31.12.2024 abrufbar sein.

Möchten Sie als Nicht-Mitglied auch im Anschluss die Webinar-Aufzeichnungen ansehen, so ist der Abschluss einer DRG-/VMTB-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 interaktiven 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 schicken.
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 interaktiven Lernplattform der DRG, vergeben.