Inhalt

G Staatz, M Forsting, W Heindel
2019 RöFo. Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren (Print)  
Zielsetzung Untersuchung des Einflusses von intelligenten Vorverarbeitungsalgorithmen zur "Bone Suppression" und "Lungenfelddetektion" auf die Pathologie-Erkennungsrate von Deep Learning Techniken. Material und Methoden In dieser Studie wurden die Technik "Bone Suppression", ein Algorithmus zur künstlichen Entfernung des Brustkorbs in Röntgenaufnahmen sowie eine automatische "Lungenfelddetektion", welche zum Zuschneiden der Röntgenthoraxaufnahmen auf den Lungenbereich genutzt wurde, separat und
more » ... in Kombination als Vorverarbeitungsschritte für neuronale Netze zur Pathologiedetektion verwendet. Für das Training und die Auswertung des Convolutional Neural Network (CNN) wurden DICOM-Bilder aus dem Indiana University Datensatz (3125 Röntgenthoraxuntersuchungen (PA, lateral)) von zwei erfahrenen Radiologen untersucht und in Bezug auf acht verschiedene Pathologien (Pleuraerguss, Infiltrat, Stauung, Atelektase, Pneumothorax, Kardiomegalie, Raumforderung, Fremdkörper) annotiert. Es erfolgte ein Vortraining unserer CNNs auf dem größten öffentlich zugänglichen Röntgendatensatz (ChestX-ray14). In einer fünffachen Re-sampling-Validierung wurden ROC-Statistiken verwendet, um die Wirkung der Vorverarbeitungsansätze zu bewerten. Ergebnisse Während die trainierten Modelle im Allgemeinen eine gute Erkennungsrate in Bezug auf alle Kategorien zeigen, verbessert die Kombination aus "Bone Suppression" und "Lungenfelddetektion" den durchschnittlichen AUC leicht von 0,891 ± 0,013 auf 0,906 ± 0,012. Im Gegensatz dazu kann bei ausgewählten Pathologien eine wesentliche Verbesserung festgestellt werden (d. h. "Raumforderung": 0,764 ± 0,016 vs. 0,840 ± 0,011). Schlussfolgerungen Die erweiterte Bildvorverarbeitung verbessert die gesamte CNN-Leistung, insbesondere bei kleinen Pathologien ("Raumforderungen") kann die AUC aber signifikant gesteigert werden. Die erhöhte effektive räumliche Auflösung durch "Lungenfelddetektion" hat einen positiven Effekt auf die Erkennung kleinerer Pathologien. WISS 205.8 Machine-Learning-Algorithmen im Management suspekter Herde in der Mamma-MRT erlauben objektive und akkurate Diagnosen selbst durch unerfahrene Auswerter Zielsetzung Die korrekte Interpretation von Mamma-MRT benötigt ein hohes Maß an Erfahrung und wird durch Interobserver-Variabilitäten zwischen Auswertern zusätzlich erschwert. Ziel dieser Studie war die Etablierung eines einfach anwendbaren Machine-Learning Algorithmus zur Klassifizierung suspekter Herde in der Mamma-MRT, der auf objektiv messbaren Parametern basiert und selbst unerfahrenen Auswertern die Stellung akkurater Diagnosen ermöglicht. Material und Methoden In die Studie eingeschlossen wurden 173 konsekutive Patienten mit 176 suspekten Läsionen in der komplementären Diagnostik (BI-RADS IV/V). Diese erhielten eine standardisierte Mamma-MRT vor histologischer Sicherung der Läsionen. Das histologische Ergebnis diente als Referenzstandard. Aus der MRT wurden (semi-)quantitative Parameter bestimmt: Läsionsgröße, Diffusionsrestriktion, T2w-Signalverhalten, Kurventyp der dynamischen Kontrastmittelanreicherung und -Washout (%). Die Bestimmung der Parameter erfolgte durch einen radiologischen Assistenzarzt im 5. Jahr der Weiterbildung und einen Medizinstudenten im 5. Jahr. Deren Interobserver Agreement in der Beurteilung der MRT-Parameter wurde mittels Intraclass Correlation Coefficients (ICC) analysiert. Aus den MRT-Parametern und dem Patientenalter wurde eine Support-Vector-Machine (SVM) erstellt, 10-fach kreuzvalidiert und mittels ROC-Kurven ausgewertet Ergebnisse Histologisch zeigten 107 Befunde Malignität (60,8 %). Das Interobserver Agreement bezüglich der MRT-Parameter war exzellent (ICC: 0,81 -0,98). Die SVM erreichte eine hohe Genauigkeit in der Differenzierung zwischen maligne/benigne (AUC 0.901). Der SVM-Algorithmus wurde in einer open-access Internet-Applikation öffentlich gemacht. Schlussfolgerungen Der entwickelte Machine-Learning Algorithmus ermöglicht eine objektive und akkurate Unterscheidung zwischen gut-und bösartigen Herden in der Mamma-MRT selbst durch unerfahrene Anwender. Die Internet-Applikation erlaubt eine einfache Validierung der Ergebnisse und eine Integration in klinische Workflows. SP/WISS 305.8 Virtuell monoenergetische Rekonstruktionen aus der Spektral Detektor CT zur Visualisierung hypodenser Leberläsionen: Konzeptstudie in einem 3D-gedruckten Phantom und Validierung in 74 Patienten Zielsetzung Niedrig keV virtuell monoenergetische Bilder (VMI) erlauben eine Anhebung insbesondere des Iodkontrastes und verbessern so die Visualisierung hypervaskularisierter Strukturen in kontrastverstärkten Spektral Detektor CT-Untersuchungen (SDCT). Ziel dieser Analyse war es den Kontrastanstieg invers zu nutzen, d. h. durch eine Anhebung der Kontrastierung des Leberparenchyms die Visualisierung hypodenser Läsionen (Zysten und Metastasen) zu verbessern. Material und Methoden Ein Phantom in der Form einer menschlichen Leber mit einer zentralen Läsion wurde mittels CAD-Software entwickelt und 3Dgedruckt. Das Phantom lässt sich mit verschiedenen Flüssigkeiten als Parenchym-und Läsionssurrogat füllen. Als Surrogat wurden ionische Lösungen mit Schwächungswerten von 0, 15, 40 und 60 HU (für Läsionen) und 80, 100, 120 HU (für Parenchym) verwendet (jeweils gemessen in der konventionellen Rekonstruktion, CI). Zusätzlich wurden 74 Patienten mit MRT oder Follow-up bestätigten Zysten (n = 40) oder Metastasen eingeschlossen (n = 34). Phantom und Patienten wurden auf einem SDCT mit einem standardisierten Protokoll untersucht. Regions-of-interest wurden in CI in Parenchym(-Surrogat) und Läsion(-Surrogat gelegt) und in VMI von 40 -120 keV kopiert. Signal-und Kontrast-zu-Rausch Verhältnis (S/CNR) wurden bestimmt und mittels ANOVA verglichen. Ergebnisse Im Phantom S/CNR waren in niedrig keV-VMI signifikant höher als in CI: Eine Zyste (0 HU Surrogat) in stark schwächendem Leberparenchym (120 HU Surrogat) in CI weist ein vergleichbares CNR auf wie eine leicht hypodense Metastase (60 HU Surrogat) in nur flau kontrastiertem Leberparenchym (80 HU Surrogat) in 40keV VMI (6,4 ± 0,8 versus 5,8 ± 0,9; p = 0,05).
doi:10.1055/s-0039-1679200 fatcat:lx7a6gm2vff7jdutkpq4ztirmu