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

RK/WISS 304

Urogenitale Bildgebung V - Nierendiagnostik in Transformation

Urogenitale Bildgebung V - Nierendiagnostik in Transformation
Freitag, 10. Mai 2024 · 10:30 bis 12:15 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.
10
Mai

Freitag, 10. Mai 2024

10:30 bis 12:15 Uhr · Raum: Forum 1.3  in Kalender übernehmen:   iCal  ·  Google
Kongress buchen

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Refresher-Kurs mit WISS
Thema
Urogenitale Radiologie, Ultraschall
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

Das ist eine Veranstaltung der AG Uroradiologie und Urogenitaldiagnostik in Kooperation mit der AG Ultraschall.

Anwesenheiten

Moderation
Sascha Kaufmann (Pforzheim)
Tobias Franiel (Jena)

Ablauf

10:30 - 10:45

Vortrag (Fortbildung)

Update: Bosniak CEUS vs MRT vs CT

Konrad Stock (München)

10:45 - 11:00

Vortrag (Fortbildung)

Radiomics der Niere mit funktioneller Nierenbildgebung

Alexandra Ljimani (Düsseldorf)

11:00 - 11:15

Vortrag (Fortbildung)

Funktionelle MR-Urographie: Richtig gemacht und befundet

Jürgen Schäfer (Tübingen)

11:15 - 11:30

Vortrag (Fortbildung)

Pathologien des Perirenalraums

Gertraud Heinz (St. Pölten)

11:30 - 11:35

Vortrag (Wissenschaft)

Automatisierte Nierenvolumetrie basierend auf low-dose nativen Computertomographien

Moritz Halfmann (Mainz)

weitere Autoren

Dativa Tibyampansha (Mainz) / Peter Mildenberger (Mainz) / Torsten Panholzer (Mainz) / Lukas Müller (Mainz)

Zielsetzung

Derzeitig verfügbare Methoden zur Quantifizierung des Nierenvolumens sind zeitaufwändig und fehleranfällig. Trotz deutlicher, teils vielversprechender Fortschritte bei der Automatisierung basieren die Ansätze zumeist auf kontrastmittelgestützten Computertomographien (CT). Ziel dieser Studie war die Etablierung einer automatischen Quantifizierung des Nierenvolumens in nativen, low-dose CT-Scans von Patient*innen mit Verdacht auf Urolithiasis.

Material und Methoden

Ein 2D Convolutional Neural Network (CNN)-Modellen wurde anhand manuell segmentierter nativer low-dose Scans von 210 Patient*innenen trainiert. Die Segmentierungsgenauigkeit des Modells wurde anhand eines separaten Applikationsdatensatzes von 22 Patient*innen mittels Dice Similarity Coefficient (DSC) evaluiert. Darüber hinaus wurde mittels Intraclass correlation coefficients (ICC) die Übereinstimmung der CNN-basierten Ergebnisse mit von Radiolog*innen halbautomatisch quantifizierten Ergebnissen untersucht.

Ergebnisse

Die CNN-gestützte Quantifizierung des Nierenvolumens dauerte in einem CT-Scan mit durchschnittlich 1026 Schichten im Durchschnitt 32 Sekunden für beide Nieren. Der DSC betrug 0.91 und 0.86 für die linke bzw. rechte Niere. Zudem zeigte sich eine hohe Übereinstimmungen zwischen der CNN-basierten und der halbautomatischen, durch Radiolog*innen vorgenommenen, Volumenquantifizierung (ICC= 0.89 (rechts) und 0.93 (links)).

Schlussfolgerungen

Die CNN-gestützte vollautomatische Quantifizierung des Nierenvolumens ist auch basierend auf nativen low-dose CT-Scans hochgradig akkurat und reproduzierbar. Die automatische Segmentierung kann somit radiologische Befunde quantitativ komplimentieren.

Teilnahme Young Investigator Award

11:35 - 11:40

Vortrag (Wissenschaft)

Radiomics und maschinelles Lernen für die Evaluation histologischer Subtypen von Nierentumoren in der Mehrphasen-Computertomographie: eine multizentrische Studie mit unabhängiger Testung.

Johannes Uhlig (Göttingen)

weitere Autoren

Sophie Bachanek (Göttingen) / Andreas Leha (Göttingen) / Philip Zeuschner (Homburg) / Alexander Maßmann (Stuttgart) / Lutz Trojan (Göttingen) / Joachim Lotz (Göttingen) / Annemarie Uhlig (Göttingen)

Zielsetzung

Unterscheidung histologischer Subtypen von Nierentumoren auf Grundlage der Mehrphasen-Computertomographie (CT) mittels radiologischer Merkmale und maschinellem Lernen in einem multizentrischen Rahmen.

Material und Methoden

Patienten, die sich zwischen 2012 und 2022 an zwei tertiären urologischen Zentren einer chirurgischen Resektion und histopathologischen Beurteilung von Nierentumoren unterzogen, wurden retrospektiv eingeschlossen. Präoperative CTs der Patienten in der arteriellen und venösen Phase aus mehreren Bildgebungszentren wurden segmentiert und standardisierte radiologische Merkmale extrahiert. Nach der Vorverarbeitung wurde ein Extreme Gradient Boosting Tree-basierter (XGB) Algorithmus für maschinelles Lernen (ML) verwendet, um Nierentumor-Subtypen mittels 10-facher Kreuzvalidierung vorherzusagen, bewertet als Multiclass-AUC. Die ML-Algorithmen wurden auf die Daten eines Zentrums trainiert und unabhängig auf Grundlage der Daten des anderen Zentrums getestet.

Ergebnisse

Die Trainingskohorte umfasste n=297 Patienten (n=191 ccRCC, n=40 pRCC, n=22 chRCC, n=28 Onkozytome und n=16 AML) und die Testkohorte n=121 Patienten (n=68/n=20/n=4/n=26/n=3). Der XGB-Algorithmus erreichte eine diagnostische Leistung von AUC=0,81/ 0,64/ 0,8 für die venöse/ arterielle/ kombinierte Kontrastmittelphasen-CT in der Trainingskohorte und AUC=0,75/ 0,67/ 0,75 in der unabhängigen Validierungskohorte. Bei paarweisen Vergleichen zeigte sich die geringste diagnostische Genauigkeit für die Identifikation von Onkozytomen (AUC=0,57-0,69) und die höchste für die Identifikation von AMLs (AUC=0,9-0,94).

Schlussfolgerungen

Zur Differenzierung von Nierentumor-Subtypen liefert die venöse Phase in der CT die relevantesten Bildgebungsinformationen, ohne dass eine zusätzliche arterielle Kontrastphase in der vorliegenden Studie einen offensichtlichen diagnostischen Nutzen zeigt. Die Analyse von Merkmalen, welche aus der klinischen Routine-Schnittbildgebung gewonnen werden, liefert zuverlässige Ergebnisse für die Subtypisierung von Nierentumoren.
11:40 - 11:45

Vortrag (Wissenschaft)

Automatische KI-basierte Segmentierung von Nierentumoren auf der Grundlage klinischer Routine-CT-Daten: eine multizentrische Studie.

Johannes Uhlig (Göttingen)

weitere Autoren

Sophie Bachanek (Göttingen) / Manuel Nietert (Göttingen) / Paul Würzberg (Göttingen) / Lutz Trojan (Göttingen) / Annemarie Uhlig (Göttingen) / Joachim Lotz (Göttingen)

Zielsetzung

Entwicklung eines automatischen Segmentierungsalgorithmus sowie einer Visualisierungsmethode für Nierentumore auf der Basis von CT-Studien aus der klinischen Praxis.

Material und Methoden

Patienten mit Nierentumoren (Erstdiagnose zwischen 2018 und 2021) wurden retrospektiv eingeschlossen. Patienten im Alter von <18 Jahren und Patienten mit zystischen oder infiltrativen Nierentumoren wurden ausgeschlossen. Alle Nierentumore wurden manuell von einem Radiologen auf allen axialen CT-Schichten segmentiert. Ein tiefes neuronales Netz (DNN; DeepLabV3) wurde auf eine Teilmenge der manuell segmentierten CT-Untersuchungen trainiert. Die interne Validierung wurde an einer Teilmenge von 20% der Trainingsdaten durchgeführt. Ein externer Datensatz (öffentlicher KITS-2019 TCIA-Datensatz) wurde für die unabhängige Testung des Modells verwendet. Die Leistung der KI-Vorhersagen für Nierentumor-Konturen wurde mit den manuellen Segmentierungen verglichen und mittels DICE-Score quantifiziert.

Ergebnisse

Der Trainingsdatensatz umfasste n=639 Patienten (37% weiblich; mittleres Alter 66 Jahre; mittlerer Tumordurchmesser 47 mm) mit CT-Untersuchungen unterschiedlicher Bildqualität von mehr als 25 radiologischen Zentren. Im internen Validierungsdatensatz wurden alle Nierentumore mindestens partiell durch das DNN identifiziert (100% der Nierentumore mit DICE-Score >0). Der mediane DICE-Score lag bei 0,82-0,84. Im externen Testdatensatz wurden insgesamt n=208/210 Nierentumore (99%) durch das DNN mindestens teilweise identifiziert. Die Nierentumor-Segmentierung im unabhängigen Testdatensatz ergab einen medianen DICE-Score von 0,80. Die DNN-Segmentierungen wurden durch Farbkodierung und Konturlinien visualisiert und auf die CT-Bilder überlagert.

Schlussfolgerungen

DNN ermöglichen eine robuste automatische Segmentierung von Nierentumoren. Die Überlagerung von Farbkodierungen und Konturlinien auf die originalen CT-Daten bietet eine visuelle Rückkopplung für die Segmentierungen und könnte die Akzeptanz der KI in der klinischen Praxis verbessern.
11:45 - 11:50

Vortrag (Wissenschaft)

Studie zur Reproduzierbarkeit funktioneller MRT-Parameter für die Nierenbildgebung mit Anwendung der ROI-basierten Bildanalyse, manueller Gewebesegmentierung und automatisierter Organsegmentierung.

Cecilia Liang (Tübingen)

weitere Autoren

Ferdinand Seith (Tübingen) / Petros Martirosian (Tübingen) / Fritz Schick (Tübingen) / Brigitte Gückel (Tübingen) / Thomas Küstner (Tübingen) / Isabelle Loster (Tübingen) / Bernd Kühn

Zielsetzung

Die multiparametrische MRT ist eine vielversprechende Technik zur nichtinvasiven funktionellen Bildgebung der Nieren, welche an zunehmender Bedeutung in der klinischen Forschung gewinnt. Allerdings gibt es bisher noch keine einheitlichen Empfehlungen oder eine Standardisierung der Protokolle sowie der Bildanalyse. Ziel dieser Studie war es, die Reproduzierbarkeit der wichtigsten funktionellen MRT-Parameter zur evaluieren unter Verwendung der ROI-basierten Bildanalyse, manueller Gewebesegmentierung und automatischer Organsegmentierung.

Material und Methoden

10 gesunde Probanden wurden an zwei Zeitpunkten mit einer Woche Abstand mittels eines multiparametrischen MRT-Protokolls für die Niere untersucht, welches die Perfusionsbildgebung mittels Arterial Spin Labeling (ASL), Diffusionsbildgebung mittels Intravoxel incoherent motion (IVIM), Blood-oxyen-dependent (BOLD) Bildgebung, sowie T1- und T2 mapping umfasste. Die Auswertung wurde mittels ROI-basierter Bildanalyse sowie manueller Gewebesegmentierung. Zur Anwendung der automatischen Segmentierung wurde ein nnU-Net, eine auf Deep-learning basierende Segmentierungmethode, mit einem internen MRT-Datensatz von 50 Patienten und 17 Probanden trainiert und an 8 Patienten- und 2 Probandendatensätzen evaluiert.

Ergebnisse

Die strukturellen Gewebeparameter (T1,T2 map) wiesen insgesamt eine geringere Variabilität auf (wCV: 4-11%; ICC: 0,2-0,8) als die funktionellen Parameter (wCV: 3-38%; ICC: 0,0-0,7). Die manuelle Gewebesegmentierung zeigte eine bessere Reproduzierbarkeit (wCV: 2-20%. ICC: 0,0-0,7) als die ROI-basierte Bildanalyse (wCV: 3-37%, ICC: 0,0-0,7). Bei der Anwendung der automatischen Segmentierung konnte ein Dice Koefiizient zwischen 0,97 und 0,99 mit einem Bias zwischen 2 und 7% erreicht werden.

Schlussfolgerungen

Insgesamt wies das angewandte funktionelle MRT-Protokoll eine gute Reproduzierbarkeit auf. Die höchsten Varianzen bestanden bei den funktionellen Parametern (ASL und IVIM). Die Anwendung der manuellen Gewebesegmentierung zeigte eine bessere Reproduzierbarkeit als die ROI-basierte Bildanalyse. Das angewandte nnU-Net ermöglichte eine voll-automatische Organsegmentierung mit hoher Genauigkeit.

Teilnahme Young Investigator Award

11:50 - 12:15

Diskussion

Diskussion

Runlog

Öffnen