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 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 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 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.

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.

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.

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

WISS 102

Neuroradiologie - KI im Hirn

Neuroradiologie - KI im Hirn
Mittwoch, 8. Mai 2024 · 11:15 bis 12:45 Uhr
8
Mai

Mittwoch, 8. Mai 2024

11:15 bis 12:45 Uhr · Raum: Terrassensaal E  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

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

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
Georg Langs (Wien)
Tobias Engelhorn (Erlangen)

Ablauf

11:15 - 11:20

Vortrag (Wissenschaft)

Computerassistierte Erkennung von veränderter funktioneller Konnektivität anhand von Zeitserien gehirnspezifischer Netzwerke

Christian Boschenriedter (Düsseldorf)

weitere Autoren

Christian Rubbert (Düsseldorf) / Simon B. Eickhoff (Jülich) / Christian Hartmann (Düsseldorf) / Silja Kannenberg (Düsseldorf) / Ann Carolin Hausmann (Düsseldorf) / Alfons Schnitzler (Düsseldorf) / Felix Hoffstaedter (Jülich) / Christian Mathys (Oldenburg) / Martin Südmeyer (Potsdam) / Kathrin Reetz (Aachen) / Caroline Tscherpel (Frankfurt) / Christian Grefkes (Frankfurt am Main) / Julian Caspers (Düsseldorf)

Zielsetzung

Neurologische Erkrankungen, wie das idiopathische Parkinson-Syndrom (IPS), zeigen oft veränderte funktionelle Konnektivitätsmuster im Gehirn, die mithilfe von „resting-state“ funktioneller Magnetresonanztomographie (rs-fMRT) erhoben werden können. Künstliche Intelligenz bietet großes Potential auf Basis dieser Muster die Diagnostik solcher Erkrankungen zu verbessern. In dieser Studie stellen wir einen innovativen Ansatz zur Unterscheidung zwischen Patienten mit IPS und gesunden Kontrollprobanden (GK) anhand von rs-fMRT vor.

Material und Methoden

Der neue Ansatz beruht auf einem Long Short-Term Memory (LSTM)-Modell, dem probandenspezifische Zeitserien von 100 kanonischen Hirnnetzwerken zugeführt werden, die mittels dualer Regression aus rs-fMRT-Aufnahmen extrahiert wurden. Die räumlichen Karten dieser Netzwerke wurden zuvor anhand einer unabhängigen Kontrollpopulation berechnet. Der Ansatz wurde an einer lokalen Kohorte (63 IPS, 72 GK) zur Differenzierung zwischen IPS und GK angewandt und im Rahmen einer 5-fachen Kreuzvalidierung validiert. Zur Überprüfung der Generalisierbarkeit wurde eine Leave-One-Site-Out-Kreuzvalidierung an mehreren externen Kohorten (145 IPS, 145 GK) durchgeführt.

Ergebnisse

Die ROC-AUC des Modells in der lokalen Kohorte lag bei 0,90. In der Leave-One-Site-Out-Kreuzvalidierung war die ROC-AUC deutlich geringer und lag je nach getesteter Kohorte zwischen 0,64 und 0,77.

Schlussfolgerungen

Die Ergebnisse verdeutlichen das Potential von LSTM-Modellen in Kombination mit Zeitserien aus rs-fMRT-Aufnahmen für die Diagnose komplexer Hirnerkrankungen. Die unzureichende externe Validität ist ein aus vergleichbaren Studien bekanntes Phänomen, das wahrscheinlich auf hardware- und probandenspezifischen Faktoren beruht. Zur Steigerung der Klassifizierungsgenauigkeit bedarf es vor allem weiterer Datensätze aus unterschiedlichen Bildgebungsstudien. Darüber hinaus sind Methoden zu entwickeln, mit denen eine Harmonisierung der mittels rs-fMRT gemessenen Signale zwischen verschiedenen Kohorten erreicht werden kann.
11:20 - 11:25

Vortrag (Wissenschaft)

Deep-Learning-basierte Einstellung von Standardprojektionen in der zerebralen Angiographie

Christian Rubbert (Düsseldorf)

weitere Autoren

Pascal Braband (Düsseldorf) / Martha Natalia Krakowski (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Eine Vielzahl durchleuchtungsgesteuerter diagnostischer und interventioneller Prozeduren, z.B. die kathetergestützte zerebrale Angiographie, setzt die manuelle Einstellung von Standardprojektionen voraus. Durch diese standardisierten Einstellungen werden u.a. die anatomische Orientierung sowie Verlaufsbeurteilungen vereinfacht. Wir haben ein Deep-Learning-Modell entwickelt, welches Standardprojektionen automatisiert bestimmen kann.

Material und Methoden

Ein Kopf-Präparat wurde in der hiesigen biplanaren Angiographieanlage untersucht (Philips Allura Xper FD20, Best, Niederlande). Als Standardprojektion wurde eine Projektion für die Untersuchung der vorderen Hirnzirkulation gewählt (Frontaler C-Bogen: Mittellinienstrukturen mittig zwischen den Augenhöhlen, Oberkante der Felsenbeine projiziert auf das untere Drittel der Augenhöhlen; Lateraler C-Bogen: Projektion der äußeren Gehörgänge übereinander). Das Präparat wurde 51-mal zufällig positioniert und in Nullposition durchleuchtet. Danach wurden die entsprechenden Winkeleinstellungen für den frontalen und lateralen C-Bogen in Richtung cranial/caudal und rechts/links schräg vorne (right/left anterior oblique, RAO/LAO) bestimmt.

Ein convolutional neural network (CNN) wurde darauf trainiert diese Winkel vorherzusagen. Es wurden die mittlere absolute Abweichung (mean average error, MAE) und der mittlere quadratische Fehler (root mean square error, RMSE) in einer 10-fachen Kreuzvalidierung berechnet.

Ergebnisse

Der MAE für den frontalen C-Bogen lag in der 10-fachen Kreuzvalidierung im Median bei 1,743 (0,710-4,936). Der RMSE betrug im Median 2,178 (0,869-6,439). Für den lateralen C-Bogen lag der mediane MAE bei 1,565 (0,651-3,867) und der mediane RMSE bei 2,103 (0,826-6,578).

Schlussfolgerungen

Ein CNN kann Standardprojektionen am Beispiel der zerebralen Angiographie auf Basis eines Durchleuchtungsbildes in Nullposition mit einer hohen Genauigkeit vorhersagen. Dies könnte in Zukunft dazu dienen Standardprojektionen wiederholt schnell, genau und dosissparend einzustellen.
11:25 - 11:30

Vortrag (Wissenschaft)

Überwachung von Glioblastom-Patienten mit Unterstützung eines großen Sprachmodells: Effektive Zusammenfassung radiologischer Berichte mit GPT-4

Robert Terzis (Köln)

weitere Autoren

Kai Laukamp (Köln) / Jan-Michael Werner (Köln) / Norbert Galldiks (Köln) / Simon Lennartz (Köln) / David Maintz (Köln) / Robert Reimer (Köln) / Philipp Fervers (Köln) / Roman Gertz (Köln) / Thorsten Persigehl (Köln) / Marc Schlamann (Köln) / Michael Schönfeld (Köln) / Jonathan Kottlors (Köln)

Zielsetzung

Die Überwachung von Glioblastom-Patienten umfasst mehrere MRT-Scans, was den Prozess komplex und ressourcenintensiv macht. Große Sprachmodelle wie GPT-4 könnten Ärzten helfen, MRT-Befunde und Krankheitsverläufe zusammenzufassen. Diese Studie untersucht die Fähigkeit von KI-basierten Sprachmodellen komplexe radiologische Texte zu interpretieren.

Material und Methoden

Retrospektiv wurden 225 MRT-Untersuchungen von 45 Glioblastom-Patienten, die in unserer Einrichtung behandelt wurden, einbezogen. GPT-4 wurden die fünf neuesten MRT-Berichte einschließlich klinischer Informationen in Textform zur Verfügung gestellt. Das Modell wurde beauftragt, den Krankheitsverlauf zusammenzufassen, den aktuellen Status der Erkrankung widerzuspiegeln und einen R-Code für eine entsprechende grafische Darstellung zu erzeugen. Die Zusammenfassungen wurden von zwei neuroonkologischen Experten bewertet. Die bewerteten Kategorien umfassten: (1) Richtigkeit und logisch-semantische Darstellung, die durch die Bewertung von vier verschiedenen Punkten auf einer binären Skala von "ja" oder "nein" bestimmt wurde; (2) Gesamtqualität; und (3) Nutzen in der Patientenüberwachung und für die klinische Entscheidungsfindung, bewertet mit einer 5-Punkte-Likert-Skala, wobei höhere Werte eine größere klinische Nützlichkeit anzeigen.

Ergebnisse

Die von GPT-4 erstellten Zusammenfassungen erreichten eine Gesamtübereinstimmung mit dem Expertenkonsens von 86,7 % für eine angemessene Darstellung des Krankheitsverlaufs. Die von GPT-4 erstellten Zusammenfassungen des Krankheitsverlaufs erhielten eine mittlere Qualitätsbewertung von 4 und eine mittlere wahrgenommene Nützlichkeitsbewertung von 3.

Schlussfolgerungen

GPT-4 fasste die Krankengeschichten effektiv und präzise zusammen, mit einer signifikanten Relevanz für Kliniker. Zudem konnte eine akkurate grafische Visualisierung der Krankheitsverläufe erzeugt werden. Unsere Ergebnisse unterstreichen das Potenzial von großen Sprachmodellen, radiologische und medizinische Workflows zu optimieren.

Teilnahme Young Investigator Award

11:30 - 11:35

Vortrag (Wissenschaft)

Ultra-fast brain MRI with Deep Learning reconstruction for suspected acute ischemic stroke

Sebastian Altmann (Mainz)

weitere Autoren

Nils Grauhan (Mainz) / Lavinia Brockstedt (Mainz) / Mariya Kondova (Mainz) / Irene Schmidtmann (Mainz) / Roman Paul (Mainz) / Bryan Clifford (Boston, Massachusetts) / Thorsten Feiweier (Erlangen) / Zahra Hosseini (Erlangen) / Timo Uphaus (Mainz) / Sergiu Groppa (Mainz) / Marc Brockmann (Mainz) / Ahmed Othman (Mainz)

Zielsetzung

To investigate the interchangeability of DLe-MRI with a standard MRI protocol (c-MRI) in patients with suspected acute ischemic stroke at 1.5T.

Material und Methoden

In this prospective study, 211 participants with acute suspected stroke underwent clinically indicated MRI at 1.5T. For each participant, a c-MRI, including T1-, T2-, T2*-, T2- FLAIR and diffusion-weighted sequences (DWI) (duration: 14:18 minutes) and a DLe-MRI (same contrasts; 3:04 minutes) were acquired. The primary endpoint was the interchangeability between c-MRI and DLe-MRI to detect acute ischemic infarction. The secondary endpoints were the interchangeability regarding the affected vascular territory and clinically relevant secondary findings. Three readers evaluated the overall occurrence of acute ischemic stroke, affected vascular territory, clinically relevant secondary findings, overall image quality and diagnostic confidence. Furthermore, for acute ischemic lesions, size and signal intensities were assessed. The margin for interchangeability was chosen at 5%.

Ergebnisse

The study sample consisted of 123 males and 88 females, with a mean age of 65 years (range: 19-90 years). In 79 participants, acute ischemic stroke was confirmed. Interchangeability could be demonstrated for all primary and secondary endpoints. All individual equivalence indices did not exceed the interchangeability margin of 5%. Multi-rater Fleiss’ kappa showed almost perfect agreement (p>0.914). DLe-MRI provided significantly higher overall image quality (p<0.001) and diagnostic confidence (p<0.001). Signal properties of acute ischemic infarctions were similar for the acquired sequences in both techniques and demonstrated good to excellent inter-rater reliability (ICC>0.8).

Schlussfolgerungen

DLe-accelerated brain MRI is interchangeable with standard MRI for the detection of acute ischemic lesions. Acquired four times faster than the standard protocol, this technology will significantly speed up the diagnostic process and improve patient care in emergency settings.
11:35 - 11:40

Vortrag (Wissenschaft)

Ultra-fast diffusion weighted imaging at 3T using Deep-learning based reconstruction and superresolution processing: A clinical feasibility study

Sebastian Altmann (Mainz)

weitere Autoren

Nils Grauhan (Mainz) / Mario Abello (Mainz) / Sebastian Steinmetz (Mainz) / Thomas Benkert (Mainz) / Marc Brockmann (Mainz) / Ahmed Othman (Mainz)

Zielsetzung

To investigate image quality and clinical feasibility of a novel Deep-learning enhanced, ultra-fast diffusion-weighted imaging (DLe-DWI) sequence.

Material und Methoden

Eighty-five consecutive patients with clinically indicated MRI at a 3T scanner were prospectively included. Conventional diffusion data were obtained and the number of averages was retrospectively reduced to simulate an abbreviated acquisition, from which DLe images were reconstructed. Three experienced readers evaluated acquired data regarding subjective image quality using a 5-point Likert-scale concerning overall image quality, overall contrast, diagnostic confidence, occurrence of artefacts and the evaluation of the central region, the basal ganglia, the brainstem as well as the cerebellum. To assess interrater agreement, Fleiss’ kappa (ϰ) was determined. Signal intensity (SI) levels for basal ganglia and the central region were estimated via automated segmentation and SI values of detected pathologies were measured for were calculated for objective image analysis.

Ergebnisse

Conventional DWI and DLe-DWI were successfully acquired in all 85 patients. Intracranial pathologies were recongized in 45 Patients. DLe-MRI proved to be significantly superior for all defined parameters, while showing similar results for recognized image artefacts, independently from applied averages (p-value <0.001). Best results were shown for DLe-MRI with 1 average, e.g. assessment of pathologies (p-value <0.001). Thereby inter-rater Fleiss' Kappa demonstrated moderate to substantial agreement for virtually all defnied parameters, with good accordance particularly for the assasement of pathologies (p=0.74). Regarding SI values, no significant differences could be demonstrated between different averages and different techniques.

Schlussfolgerungen

Ultra-fast diffusion-weighted imaging at 3T is feasible, resulting in highly accelerated brain imaging while increasing diagnostic image quality. This technique will further strengthen the role of MRI in neurological emergencies.
11:40 - 11:45

Vortrag (Wissenschaft)

Vergleich zweier Software-Versionen eines neuartigen Deep-Learning-Algorithmus zur automatischen Blutungsdetektion in nativen kranialen Computertomographien bei einem klinischen Patientenkollektiv

Franziska Tombach (Würzburg)

weitere Autoren

Thorsten Alexander Bley (Würzburg) / Bernhard Petritsch (Würzburg) / Julius Frederik Heidenreich (Würzburg) / Philipp Gruschwitz (Würzburg)

Zielsetzung

Evaluierung der Perfomance eines verbesserten Deep-Learning-Algorithmus (Version 2, 2022) zur Erkennung von intrakraniellen Blutungen (ICH) in nativen kranialen Computertomographien (cCT) und Vergleich der Leistungsfähigkeit zur Vorgängerversion (Version 1, 2020).

Material und Methoden

Die auf einem dreidimensionalen neuronalen Netz basierende Deep-Learning-Pipeline wurde zur automatischen Verarbeitung von cCTs genutzt. In der Softwareversion 1 wurde durch weitere Trainingszyklen insbesondere versucht, subarachnoidale Blutungen besser zu detektieren. Eine Summe von n=2960 cCT, erstellt im Zeitraum von April 2020 bis April 2022, wurden retrospektiv durch den Algorithmus verarbeitet (Version 2, 2022) und mit dem schriftlichen Befund („Ground Truth“) verglichen. Abweichende Ergebnisse wurden nochmals im Sinne eines Konsensus-Votings durch einen Radiologen mit 6 Jahren Erfahrung supervidiert. 996 CT-Scans wurden mit beiden Deep-Learning-Software Versionen 1 und 2 analysiert und die diagnostischen Genauigkeitsparameter verglichen.

Ergebnisse

In dem klinischen Kollektiv (n=2960) mit einer ICH-Prävalenz von 10,6 % erkannte die Softwareversion 2 eine ICH mit einer Sensitivität von 93,6 %, einer Spezifität von 96,2 %, einer Gesamtgenauigkeit von 95,9 % und einem negativen prädiktiven Wert von 99,2 %.
In der vergleichenden Untersuchung beider Softwareversionen (n=996) erkannte die Version 2 ICH mit einer Sensitivität von 87,3 %, einer Gesamtgenauigkeit von 94,2 % und einem negativen prädiktiven Wert von 98,5 %. Im Vergleich zu Version 1 (Sensitivität=79,2 %, Gesamtgenauigkeit=95,6 %, negativ prädiktiver Wert=97,6 %) sind Sensitivität und negativer prädiktiver Wert in Version 2 verbessert, was insgesamt zu n=8 weniger falsch negativen Befunden führte.

Schlussfolgerungen

Die Verbesserungen der Deep-Learning-Software Version 2 führen zu einer deutlichen Steigerung der Sensitivität und des negativen prädiktiven Werts und damit zu weniger falsch-negativen Befunden beim Einsatz als Triage-Tool.

Teilnahme Young Investigator Award

11:45 - 11:50

Vortrag (Wissenschaft)

Automatisierte Datenextraktion aus Befunden zu mechanischer Thrombektomie bei ischämischem Schlaganfall mit ChatGPT

Nils Christian Lehnen (Bonn)

weitere Autoren

Franziska Dorn (Bonn) / Alexander Radbruch (Bonn) / Isabella Wiest (Dresden) / Jakob Kather (Dresden) / Daniel Paech (Bonn)

Zielsetzung

Prozessdaten wie ASPECTS, Anzahl von Thrombektomiemanövern, Door-to-Groin Zeit oder Door-to-Reperfusion Zeit werden für nationale Schlaganfallregister, prospektive Studien oder interne Qualitätskontrolle gesammelt und sind Prädiktoren für das klinische Outcome bei Patienten mit ischämischem Schlaganfall, die mit mechanischer Thrombektomie behandelt wurden. In der Regel werden diese Daten von Hand gesammelt und in Register eingetragen, ein arbeitsintensiver und fehleranfälliger Vorgang. Ziel der vorliegenden Studie ist es, typische Prozessdaten mechanischer Thrombektomien mithilfe von ChatGPT4 und ChatGPT3.5 automatisiert aus Freitextbefunden zu extrahieren.

Material und Methoden

In dieser retrospektiven Studie wurden 100 konsekutive Freitextbefunde mechanischer Thrombektomien extrahiert, anonymisiert und anschließend von einem interventionellen Neuroradiologen hinsichtlich typischer Prozessdetails analysiert. Dieselben Befunde wurden, zusammen mit detaillierten Anweisungen, von ChatGPT4 und ChatGPT3.5 analysiert. Die Ergebnisse mit denen der Neuroradiologen verglichen.

Ergebnisse

Die Befunde wurden von sechs verschiedenen Neurointerventionalisten geschrieben. Sowohl ChatGPT4 als auch ChatGPT3.5 prozessierten alle Befunde und erstellten automatisch die geforderten csv-Tabellen. Die von ChatGPT4 generierten Datensätze benötigten keinerlei Nachbearbeitung, um in die Statistiksoftware eingelesen werden zu können, während ChatGPT3.5 eine variierende Anzahl an Spalten anlegte, die manuell korrigiert werden mussten, bevor sie weiter ausgewertet werden konnten. Insgesamt wurden 2800 Dateneinträge erstellt. Davon waren im Falle von ChatGPT4 2631 korrekt (94.0%, 95% CI: 93.0% – 94.8%), im Falle von ChatGPT3.5 1788 (63.9%, 95% CI: 62.0% – 65.6%; p < .001).

Schlussfolgerungen

Automatisierte Datenextraktion mit ChatGPT4 aus Freitextbefunden mechanischer Thrombektomien kann möglicherweise in Zukunft den zeitlichen Aufwand menschlicher Befunder reduzieren. ChatGPT4 war einem Vorgänger ChatGPT3.5 signifikant überlegen.
11:50 - 11:55

Vortrag (Wissenschaft)

Erhöhtes Brain Age Gap Estimate bei Chorea Huntington

Luisa Wolf (Düsseldorf)

weitere Autoren

Christian Rubbert (Düsseldorf) / Shammi Moore (Düsseldorf) / Kaustubh Patil (Düsseldorf) / Daniel Weiß (Düsseldorf) / Vivien Ivan (Düsseldorf) / Marius Vach (Düsseldorf) / Silja Kannenberg (Düsseldorf) / Simon Eickhoff (Düsseldorf) / Christian Hartmann (Düsseldorf) / Alfons Schnitzler (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Das Brain Age Gap Estimate (BrainAGE) ist ein Verfahren, bei dem das Hirnalter anhand struktureller MRT-Aufnahmen mithilfe von Künstlicher Intelligenz geschätzt wird und hat sich als Surrogatparameter für die Gehirngesundheit und -integrität etabliert. Studienziel war es, das Ausmaß des BrainAGE bei Patienten mit Chorea Huntington (CH) zu bestimmen und in Korrelation zur Krankheitsschwere und -dauer zu setzen.

Material und Methoden

3D T1w Bilder des Gehirns von 46 Patienten (w 24, m 22) mit gesicherter CH und 46 gematchten Kontrollprobanden wurden mit CAT12 segmentiert und Karten grauer Substanz einem validierten BrainAGE Vorhersagemodell zugeführt. Das Modell beruht auf einer Gaussian Process Regression und wurde anhand der T1w Bilder von 2.953 gesunden Kontrollprobanden aus vier populationsbasierten Studien (1000BRAINS, CamCAN, eNKI Rockland Sample, IXI) zur Vorhersage des Alters trainiert. Die Differenz des geschätzten Alters zum tatsächlichen Alter (BrainAGE) wurde zwischen CH-Patienten und Kontrollprobanden verglichen und Korrelationen mit dem Ausmaß striataler Atrophie anhand des FH/CC Ratios, den Triplet Repeats und der Krankheitsdauer bei Patienten analysiert.

Ergebnisse

CH-Patienten zeigen mit im Mittel 15,3 Jahren (SD 9,1 Jahre) ein signifikant höheres BrainAGE im Vergleich zur Kontrollgruppe (MW 5,5 Jahre, SD 5,6 Jahre; p=0.001). Es zeigte sich eine signifikante Korrelation des BrainAGE mit dem FH/CC Ratio (p= 0.028, r= 0.3) und mit der Anzahl der Triplet Repeats (p= 0.005, r= 0.4). Es gab keine signifikante Korrelation zwischen BrainAGE und Krankheitsdauer (p= 0.47, r= 0.1).

Schlussfolgerungen

Patienten mit CH weisen ein deutlich fortgeschrittenes geschätztes Hirnalter auf, was auf die krankheitsbedingte Neurodegeneration zurückzuführen ist. Das Ausmaß der Hirnalterung ist direkt mit der Schwere der Erkrankung assoziiert. BrainAGE ist bei CH, ähnlich wie bei anderen neurodegenerativen Erkrankungen, ein geeigneter Surrogatparameter für die Hirngesundheit und das Ausmaß der Neurodegeneration.

Teilnahme Young Investigator Award

11:55 - 12:00

Vortrag (Wissenschaft)

Automatische Deep-Learning-basierte Identifizierung von Modellen für ventrikuloperitonealen Shunt-Modellen

Marius Vach (Düsseldorf)

weitere Autoren

Christian Rubbert (Düsseldorf) / Vivien Ivan (Düsseldorf) / Daniel Weiss (Düsseldorf) / Christian Boschenriedter (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Entwicklung eines Deep-Learning-basierten Klassifikationsmodells zur automatischen Identifizierung von ventrikulo-peritonealen Shunt (VPS) Modellen in Schädelröntgenbildern.

Material und Methoden

Alle Schädelröntgenbilder von Patienten mit einem VPS in unserer Einrichtung wurden aus dem Picture Archiving and Communication System (PACS) abgerufen und auf Bildqualität und vollständige Erfassung der VPS-Ventile überprüft. Die daraus resultierenden 959 Bilder umfassten vier VPS-Modelltypen: Codman Hakim (n=774, 81%), Codman Certas Plus (n=117, 12%), Sophysa Sophy Mini SM8 (n=35, 4%) und proGAV 2.0 (n=33, 3%). Ein Convolutional Neural Network (CNN) wurde unter Verwendung einer stratifizierten fünffachen Kreuzvalidierung trainiert, um die vier VPS-Modelltypen in dem Datensatz zu klassifizieren. Das CNN wurde auf dem ImageNet Datensatz vortrainiert. Die gemittelten Metriken wurden über die einzelnen Splits der Kreuzvalidierung hinweg bewertet.

Ergebnisse

Das Modell erreichte eine mittlere Genauigkeit von 0,94±0,03, einen makro-gemittelten F1-Score von 0,89±0,05, einen Recall von 0,90±0,07 und eine Präzision von 0,88±0,04 über die fünf Kreuzvalidierungssplits. Die mittlere Fehlerrate für das Codman Hakim Ventil über die fünf Splits betrug 4%, für das Codman Certas Plus Ventil 15%, für das Sophy SM8 Ventil 21% und für das proGAV 2.0 Ventil 4%.

Schlussfolgerungen

Die automatische Identifizierung von VPS-Ventilmodellen mittels Deep Learning ist möglich und könnte die automatische Anzeige der entsprechenden Schablone zum Ablesen der Druckstufen neben der Untersuchung im PACS ermöglichen. Das neuronale Netzwerk könnte auch als Grundlage für die automatische Identifizierung der Druckstufe für verschiedene Modelltypen und Hersteller mithilfe künstlicher Intelligenz dienen.

Teilnahme Young Investigator Award

12:00 - 12:05

Vortrag (Wissenschaft)

Virtuelle Biopsie: KI basierte vollautomatische Differenzierung cerebraler Gliome von anderen intrakraniellen Pathologien im MRT

Mathias Meetschen (Essen)

weitere Autoren

Vicky Parmar (Essen) / René Hosch (Essen) / Luca Salhöfer (Essen) / Martin Glas (Essen) / Nika Guberina (Essen) / Karsten Wrede (Essen) / Cornelius Deuschl (Essen) / Michael Forsting (Essen) / Felix Nensa (Essen) / Lale Umutlu (Essen) / Johannes Haubold (Essen)

Zielsetzung

In den letzten Jahren sind vielfältige Publikationen zur Prädiktion des genetischen Profils von cerebralen Gliomen erschienen. Diese Studien setzen allerdings voraus, dass ein cerebrales Gliom vorliegt. In der klinischen Routine können diese allerdings mit anderen Pathologien verwechselt werden. Ziel dieser Studie war es daher einen Algorithmus zu entwickelt, welcher cerebrale Gliome von vielfältigen anderen Pathologien automatisiert differenziert.

Material und Methoden

Die Studiengruppe umfasste 1280 Patienten mit einer Vielzahl verschiedener intrakranieller Pathologien, darunter 218 Gliome (54,76 Jahre ± 13,74; 136 Männer, 82 Frauen), 514 Metastasen (59,29 Jahre ± 12,34; 230 Männer, 284 Frauen), 366 entzündliche Läsionen (41,94 Jahre ± 14,57; 142 Männer, 224 Frauen), 83 Meningeome (63,99 Jahre ± 13,31; 25 Männer, 58 Frauen) und 99 intrazerebrale Blutungen (62,68 Jahre ± 16,64; 56 Männer, 43 Frauen). Es wurden radiomische Features aus den Standard-MRT-Sequenzen FLAIR, T1 nativ und T1 mit Kontrastmittel extrahiert. Die vollautomatische Segmentierung der Tumore erfolgte mithilfe des nnU-Net basierten Algorithmus HD-GLIO. Die Vorhersage Modelle, hauptsächlich XGBoost, wurden mithilfe von Optuna und Hyperparameter-Tuning optimiert.

Ergebnisse

Die Studie zeigte vielversprechende Ergebnisse für die Modelle zur Unterscheidung von Gliomen von anderen intrakraniellen Pathologien. Die besten trainierten Modelle erreichten durchweg hohe AUC-Werte: Gliome vs. Metastasen (AUC=0,951,), Gliome vs. entzündliche Läsionen (AUC=0,997), Gliome vs. intrazerebrale Blutungen (AUC=0,991) und Gliome vs. Meningeome (AUC=0,979).

Schlussfolgerungen

Diese Studie präsentiert einen automatisierten Ansatz, der die Unterscheidung von Gliomen von anderen intrakraniellen Pathologien erleichtert, um sich dem Ziel einer umfänglichen virtuellen Biopsie zu nähern.

Teilnahme Young Investigator Award

12:05 - 12:10

Vortrag (Wissenschaft)

Detektion von Hirnmetastasen auf künstlichen kontrastmittelverstärkten T1-gewichteten MRT-Bildern nach Gabe einer reduzierten Dosis gadoliniumhaltiger Kontrastmittel

Robert Haase (Bonn)

weitere Autoren

Thomas Pinetz (Bonn) / Erich Kobler (Bonn) / Zeynep Bendella (Bonn) / Daniel Paech (Bonn) / Ralf Clauberg (Bonn) / Alexander Effland (Bonn) / Alexander Radbruch (Bonn) / Katerina Deike-Hofmann (Bonn)

Zielsetzung

Vergleich der Sensitivität bei der Erkennung von Hirnmetastasen zwischen kontrastmittelverstärkten T1w-Volldosisbildern (VD) und künstlichen Volldosisbildern (KD), die durch einen Deep-Learning-Ansatz unter Verwendung von Niedrigdosisbildern synthetisiert wurden.

Material und Methoden

885 Patienten erhielten prospektiv eine kontrastverstärkte MRT-Untersuchung des Gehirns inklusive T1w-Bilder nach Gabe von 33 % der Standarddosis des Kontrastmittels Gadobutrol. 16 Patienten mit zerebralen Metastasen und 24 Patienten mit unauffälligem Befund wurden von zwei Neuroradiologen (R1 und R2) in zufälliger Reihenfolge mit einem Abstand von vier Wochen zweimal beurteilt. Außer der im jeweiligen Durchgang zufällig gezeigten Kontrastmittelaufnahme (VD oder KD) und der nativen T1w-Aufnahme standen hierbei keine weiteren Sequenzen zur Verfügung. Die Identität des Bildes wurde geschätzt und jede gefundene Metastase markiert. Eine Neuroradiologin definierte die vorhandenen Metastasen unter Berücksichtigung aller verfügbaren Sequenzen, der Befundberichte sowie Markierungen.

Ergebnisse

R1 und R2 errieten die korrekte Identität in jeweils 40 von 80 Fällen. 97 Metastasen wurden definiert (mittlerer Durchmesser: 5,7 mm). Die Sensitivität des R1 unterschied sich nicht signifikant zwischen den Sequenzen (VD: 66,0%, KD: 61,9%, p=.38). Bei geringerer Genauigkeit als R1 fand R2 signifikant mehr Metastasen unter Verwendung der Standardbilder (VD: 78,4%, KD: 60,8%, p < .001). Die Sensitivität glich sich ab einem Durchmesser von 5 mm zwischen den Sequenzen an. Die Anzahl falsch-positiver Läsionen unterschied sich nicht signifikant (R1: VD: 1, KD: 1; R2: VD: 11, KD: 14; p=.53).

Schlussfolgerungen

Die künstlichen Volldosisbilder waren von Neuroradiologen nicht zu identifizieren. Der Deep-Learning-Ansatz führte nicht zu einem Anstieg falsch-positiver Befunde. Es gab keinen Unterschied in der Detektion von Metastasen mit einem max. Durchmesser von min. 5 mm. Die Sensitivität für kleinere Läsionen war bei der Verwendung der künstlichen Bilder reduziert.

Teilnahme Young Investigator Award

12:10 - 12:45

Diskussion

Diskussion

Runlog

Öffnen