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 105. Deutscher Röntgenkongress und 10. Gemeinsamer Kongress von DRG und ÖRG 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 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG 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 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG 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 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG 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 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG 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 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG 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

WISS 209

Herzdiagnostik: Deep Learning

Herzdiagnostik: Deep Learning
Donnerstag, 9. Mai 2024 · 16:00 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.
9
Mai

Donnerstag, 9. Mai 2024

16:00 bis 16:45 Uhr · Raum: Studio 1.1  in Kalender übernehmen:   iCal  ·  Google
Kongress buchen

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Wissenschaftliche Sitzung
Thema
Herzdiagnostik

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
Fabian Bamberg (Freiburg)
Peter Hunold (Göttingen)

Ablauf

16:00 - 16:05

Vortrag (Wissenschaft)

Deep Learning basierte Erstellung virtuell konstrastmittelverstärkter T1-Maps zur automatisierten Berechnung des Extrazellularvolumens in der kardialen MRT

Leon Bischoff (Bonn)

weitere Autoren

Sebastian Nowak (Bonn) / Alexander Isaak (Bonn) / Maike Theis (Bonn) / Wolfgang Block (Bonn) / Ulrike Attenberger (Bonn) / Martin Sprinkart (Bonn) / Julian Luetkens (Bonn)

Zielsetzung

In dieser Studie wird ein sogenanntes „generative adversarial network“ (GAN) zur automatisierten Berechnung von kontrastmittelverstärkten (KM-verstärkten) T1-Maps ausgehend von nativen T1-Maps mit anschließender Abschätzung des Extrazellularvolumens (EZV) evaluiert.

Material und Methoden

2282 registrierte Bildpaare nativer und KM-verstärkter T1-Maps von 904 Patienten wurden retrospektiv eingeschlossen. Davon wurden 313 Bildpaare von 123 Patienten mit rezent verfügbarem Hämatokrit-Wert (<48 h) als Testdatensatz definiert. Die restlichen Bildpaare wurden zum Training eines GANs auf Basis eines U-Nets mit 5-facher Kreuzvalidierung verwendet, um ausgehend von nativen T1-Maps KM-verstärkte T1-Maps zu berechnen. Hiernach wurden jeweils reale und virtuelle EZV-Maps aus den real und virtuell KM-verstärkten T1-Maps berechnet und die gemittelten EZV-Werte mittels Bland-Altman Analyse verglichen, sowie deren Korrelation mittels Pearsons Korrelationskoeffizient (R) quantifiziert. Die diagnostische Performance der ECV-Maps in Subgruppen von Patienten mit Myokarditis oder Amyloidose wurde durch die Berechnung der Fläche unter der ROC-Kurve (AUC) ermittelt und mittels McNemar Test auf Signifikanz geprüft. 95 % Konfidenzintervalle wurden mittels Bootstrapping ermittelt. Ein P-Wert von <0,05 wurde als statistisch signifikant erachtet.

Ergebnisse

Reale und virtuelle EZV-Werte hatten eine hohe Übereinstimmung (ΔECV: 2,5 ± 2,9 %; R: 0,89 [0,80-0,94]). Die diagnostische Performance der EZV-Werte war gleichwertig für Patienten mit Myokarditis (reale EZV AUC=0,77 [0,64-0,87], virtuelle EZV AUC=0,76 [0,64-0,87], p=0,79) und Amyloidose (reale EZV AUC=0,99 [0,97-1], virtuelle ECV AUC=0,96 [0,87-1], p=0,69).

Schlussfolgerungen

Die GAN-basierte Berechnung KM-verstärkter T1-Maps ausgehend von nativen T1-Maps und nachfolgend die Erstellung von virtuellen EZV-Maps bietet eine Möglichkeit auf die Gabe von Kontrastmittel zu verzichten. Weitere Studien zur Evaluierung weiterer myokardialer Erkrankungen und insbesondere fokaler Läsionen sind notwendig.

Teilnahme Young Investigator Award

16:05 - 16:10

Vortrag (Wissenschaft)

Deep Learning-basierte Bildrekonstruktion für verbesserte Bildqualität fetaler Herz-MRT bei angeborenen Herzfehlern

Thomas M. Vollbrecht (Bonn)

weitere Autoren

Christopher Hart / Shuo Zhang / Christoph Katemann / Alois M. Sprinkart / Alexander Isaak / Ulrike Attenberger / Claus C. Pieper / Daniel Kütting / Annegret Geipel / Brigitte Strizek / Julian A. Luetkens

Zielsetzung

Die fetale Herz-MRT mit Doppler-Ultraschall (DUS)-Gating ist eine vielversprechende neue Technik zur pränatalen Herzdiagnostik als Ergänzung zur Echokardiographie. Eine wichtige Limitation fetaler Cine-Bilder ist jedoch das niedrige Signal-Rausch-Verhältnis (SNR). Für eine im klinischen Alltag umsetzbare Verbesserung der Bildqualität wurde daher in dieser Studie ein Deep-Learning (DL)-basiertes Rekonstruktionsverfahren bei Feten mit angeborenen Herzfehlern untersucht (SmartSpeed AI, Philips Healthcare).

Material und Methoden

25 Feten mit angeborenem Herzfehler (35±1 Wochen) wurden einer Herz-MRT (3T) unterzogen. Für die Cine-Bildgebung wurde eine bSSFP-Sequenz mit DUS-Gating durchgeführt. Die Bilder wurden sowohl mit Compressed SENSE (bSSFP CS) als auch mit einem vortrainierten neuronalen Netzwerk rekonstruiert, das für DL-Denoising (bSSFP DL) trainiert wurde. Die Bilder wurden qualitativ anhand einer 5-stufigen Likert-Skala (von 1=nicht diagnostisch bis 5=exzellent) und quantitativ durch Berechnung des ) und des Kontrast-Rausch-Verhältnisses (CNR) verglichen. Die diagnostische Aussagekraft der Bilder wurde für Vorhöfe, Ventrikel, Foramen ovale, Klappen, große Gefäße, Aortenbogen und Lungenvenen verglichen.

Ergebnisse

Die Untersuchung war bei 23 Feten (92%) erfolgreich. Die Bildqualität der bSSFP DL-Rekonstruktionen war im Vergleich zu den Standardbildern hinsichtlich des Kontrastes (3 [IQR: 2-4] vs. 5 [4-5], P<0.001) und der Randschärfe überlegen (3 [2-4] vs. 4 [4-5], P<0. 001), während das Ausmaß der Artefakte vergleichbar war (4 [3-4,75] vs 4 [3-4], P=0,40). bSSFP DL-Bilder wiesen im Vergleich zu den bSSFP CS-Bildern eine höhere SNR und CNR auf (SNR: 13,4±6,9 vs 8,3±3,6, P<0,001; CNR: 26,6±15,8 vs 14,4±6,8, P<0,001). Die diagnostische Aussagekraft der bSSFP-DL-Bilder war in der Beurteilung kardiovaskulärer Strukturen (z. B. Vorhöfe und Ventrikel: P=0,003) höher.

Schlussfolgerungen

DL-basierte Bildrekonstruktion ermöglicht im Vergleich zur Standardrekonstruktion eine bessere Bildqualität für die fetale Herz-MRT.

Teilnahme Young Investigator Award

16:10 - 16:15

Vortrag (Wissenschaft)

Deep Learning-Rekonstruktion in der kardialen CT-Bildgebung: Verbesserte Bildqualität und Workflow-Effizienz

Andreas Brendlin (Tübingen)

Zielsetzung

Bewertung der Auswirkungen einer Deep-Learning-Rekonstruktion auf Bildqualität, Diagnosesicherheit und radiologische Arbeitsabläufe im Rahmen der kardialen Computertomographie-Angiographie (CCTA).

Material und Methoden

100 Patienten (60±11 Jahre) mit CCTA wurden eingeschlossen. Die CTs wurden mit iterativer Rekonstruktion (IR2) und einer Deep-Learning Algorithmus (DLR) rekonstruiert. Zum Vergleich der objektiven Bildqualität wurden ortskonsistente Rauschmessungen durchgeführt. Darüber hinaus bewerteten zwei verblindete Reader unabhängig voneinander die subjektive Bildqualität, Diagnosesicherheit, Schärfe und Kontrast in einem Forced-Choice-Verfahren. Die Ergebnisse dieser Bewertungen wurden zu einem semiquantitativen Gesamtscore zusammengefasst. Der Agatston-Score und das kardiale Alter wurden für beide Datensätze mit einer proprietären Software analysiert. Die für die manuellen Korrekturen benötigte Zeit wurde für jeden Reader gemessen, um mögliche Vorteile des Arbeitsablaufs zu vergleichen. Eine korrigierte Mixed Effects Analyse mit Post-Hoc-Tests für Subgruppen wurde verwendet. Der Spearman-Korrelationskoeffizient maß die Übereinstimmung zwischen den Readern bei der Analyse der Bildqualität.

Ergebnisse

Das Rauschen bei IR2 war signifikant höher als bei DLR (22,00 ± 2,32 vs. 13,33 ± 2,87 HU; p<0,001). DLR hatte signifikant höhere mittlere Gesamtqualitätsbewertungen als IR2 (3,5±1,0 vs. 0,48±1,0, p<0,001) bei guter Übereinstimmung zwischen den Readern (r ≥ 0,790; p≤ 0,001). Es gab keine signifikanten Unterschiede zwischen den Ergebnissen für das kardiale Alter (p=0,517) und den Agatson-Scores (p=0,486) von IR2 und DLR. Allerdings war die für manuelle Korrekturen benötigte Zeit bei DLR signifikant kürzer als bei IR2 (54 ± 44 vs. 35 ± 31 Sekunden, p<0,001).

Schlussfolgerungen

Die DL-Rekonstruktion verbessert die Bildqualität bei der kardialen CT und reduziert den Zeitaufwand für manuelle Korrekturen bei der Altersbestimmung des Herzens erheblich.
16:15 - 16:20

Vortrag (Wissenschaft)

GPT-4-Analyse von MRT-Berichten bei Verdacht auf Myokarditis: Eine multizentrische Studie

Kenan Kaya (Köln)

weitere Autoren

Carsten Gietzen (Köln) / Julian Luetkens (Bonn) / Robert Hahnfeldt (Köln) / Jonathan Kottlors (Köln) / Konstantin Nikolaou (Tübingen) / TIlman Emrich (Mainz) / David Maintz (Köln) / Astha Jaiswal (Köln)

Zielsetzung

Die Diagnose der Myokarditis basiert auf klinischen Symptomen, Laborergebnissen und einer kardialen MRT. Die korrekte Interpretation und Integration von MRT-Befunden erfordert radiologisches Fachwissen und Kenntnisse. Der Generative Pre-trained Transformer 4 (GPT-4) ist ein großes Sprachmodell, das in der Lage ist, semantisch kohärente Antworten und logische Entscheidungen auf textbasierte Eingaben und Anfragen zu generieren. Ziel dieser Studie war es, das Potenzial von GPT-4 für die Entscheidungsfindung und die endgültige Interpretation von MRT-Berichten bei einem Verdacht auf Myokarditis zu untersuchen.

Material und Methoden

Eine retrospektive Analyse wurde bei n = 396 Patienten aus n = 8 Zentren mit Verdacht auf Myokarditis durchgeführt, bei denen GPT-4 zusammen mit dem MRT-Bericht, den Laborwerten, dem Alter des Patienten und anderen relevanten klinischen Informationen vorgelegt wurde. Die endgültige Interpretation des Berichts hinsichtlich der Beurteilung, ob eine Myokarditis vorliegt oder nicht, wurde nicht vorgelegt. Die Leistung des KI-Entscheidungsmodells wurde mit Ärzten mit unterschiedlicher Erfahrung und dem Goldstandard eines interdisziplinären Expertenkonsenses bei der binären Bestimmung der Myokarditisdiagnose verglichen, wofür Sensitivität, Spezifität und Genauigkeit berechnet und Untergruppen analysiert wurden.

Ergebnisse

GPT-4 erbrachte eine sehr gute Leistung bei der Diagnose von Myokarditis auf der Grundlage von Berichten mit einer Gesamtgenauigkeit von 83 %, einer Sensitivität von 91 % und einer Spezifität von 77 %. Die Leistung war vergleichbar mit der von Ärzten mit 1 Jahr Erfahrung (85%, 91%, 82%, p=.23) und geringer als die von erfahreneren Ärzten (92%, 92%, 93%, p<.001) und (90%, 85%, 93%, p=.003). Sowohl GPT4 als auch weniger erfahrene Ärzte schnitten in der Untergruppe mit vorhandenem Mapping signifikant besser ab (p=.04 und p=.003).

Schlussfolgerungen

Die hohe Genauigkeit von GPT-4 bei der Erkennung von Myokarditis deutet darauf hin, dass es als erweitertes System zur Unterstützung von Ärzten in der klinischen Praxis eingesetzt werden kann. Weitere Studien sind erforderlich, um diese Ergebnisse zu validieren und das volle Potenzial der Integration von großen Sprachmodellen in die medizinische Entscheidungsfindung zu erkunden.
16:20 - 16:45

Diskussion

Diskussion

Runlog

Öffnen