Das ist eine Meldung
Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.
RK / WISS
Radiologie und IT VII - Radiomics
3
JunVeranstaltungsdetails
- Veranstalter
- Deutsche Röntgengesellschaft e.V.
- Art
- Refresher-Kurs
- Thema
- IT/ Bildverarbeitung / Software
- Zielgruppe
- Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss.
Zertifizierungen
2 CME Punkte (Kategorie A)
Informationen
Das ist eine Veranstaltung der AGIT - AG Informationstechnologie.
Anwesenheiten
- Moderation
- Daniel Pinto dos Santos (Köln)
Lisa Siegler (Erlangen)
Ablauf
08:30 - 08:40
Vortrag (Fortbildung)
Radiomics im Wandel der Zeit: von der Texturanalyse
Michael Walz (Frankfurt)
08:40 - 08:50
Vortrag (Fortbildung)
Radiomics im Wandel der Zeit: zum Phaenotypen
Matthias May (Erlangen)
08:50 - 09:10
Vortrag (Fortbildung)
Cutting edge Radiomics - wo stehen wir heute und morgen?
Piotr Woznicki (Würzburg)
09:10 - 09:15
Vortrag (Wissenschaft)
Phantom-based radiomics feature test-retest stability analysis on Photon-Counting Detector CT
Alexander Hertel (Mannheim)
Zielsetzung
Die radiomische Analyse von Bilddaten bietet vielversprechende Ansätze für die Forschung, wird aber in der klinischen Praxis routinemäßig noch nicht eingesetzt, was zum Teil auf die Instabilität vieler Parameter zurückzuführen ist. Ziel dieser Studie ist es, die Stabilität der Radiomics-Analyse anhand von Phantom-Scans mit dem neuartigen Photon-Counting-CT zu bewerten.
Material und Methoden
CT-Scans von organischen Phantomen, bestehend aus je 4 Äpfeln, Kiwis, Limetten und Zwiebeln, wurden am Photon-Counting CT bei 10mAs, 50mAs und 100mAs mit 120 kV Röhrenstrom durchgeführt. Die Phantome wurden halbautomatisch segmentiert und die ursprünglichen Radiomics-Parameter wurden extrahiert. Es folgte eine statistische Analyse, einschließlich Konkordanzkorrelationskoeffizienten (CCC), Intraklassen-Korrelationskoeffizienten (ICC) sowie Random-Forest-Analyse (RF) und Clusteranalyse, um die stabilen und relevanten Parameter zu ermitteln.
Ergebnisse
73 der 104 (70 %) extrahierten Features wiesen eine ausgezeichnete Stabilität mit einem CCC-Wert über 0,9 auf, wenn sie in einer Test- und Retest-Analyse verglichen wurden, und 68 Merkmale (65,4 %) waren nach einem Repositionierung-Scan stabil. Zwischen den Testscans mit unterschiedlichen mAs-Werten wurden 78 (75 %) Merkmale mit ausgezeichneter Stabilität bewertet. Es wurden acht Radiomics-Features identifiziert, die beim Vergleich der verschiedenen Phantome in einer Phantomgruppe in mindestens 3 von 4 Gruppen einen ICC-Wert von über 0,75 aufwiesen. Darüber hinaus identifizierte die RF-Analyse viele Merkmale, die für die Differenzierung der Phantomgruppen relevant sind.
Schlussfolgerungen
Die Radiomics-Analyse von Photon-Counting-CT-Bilddaten ergab eine hohe Merkmalsstabilität, was den routinemäßigen Einsatz der Radiomics-Analysen in der klinischen Routine erleichtern könnte.
09:15 - 09:20
Vortrag (Wissenschaft)
In vivo Reproduzierbarkeit von Radiomics-Merkmalen zwischen verschiedenen MRT-Geräten bei Patienten mit monoklonalen Plasmazellerkrankungen – eine prospektive Bi-institutionelle Studie.
Markus Wennmann (Heidelberg)
Zielsetzung
Bestimmung der Reproduzierbarkeit von Radiomicsmerkmalen (RM) in vivo zwischen verschiedenen MRT-Geräten, und RM zu identifizieren, die unter Variation verschiedener technischer Aufnahmebedingungen eine akzeptable Reproduzierbarkeit zeigen.
Material und Methoden
Prospektive Studie an 55 Patienten mit monoklonalen Plasmazellerkrankungen, mit Referenzmessung an einem 1.5 Tesla MRT-Gerät und mehrere Retest-Messungen: 1. am gleichen Gerät nach erneuter Lagerung, 2. an einem anderen 1.5 Tesla MRT-Gerät, und 3. an einem 3 Tesla MRT-Gerät. RM wurden für das Knochenmark des linken Hüftknochens berechnet, einmal für die Originalbilder und einmal nach Normalisierung auf Muskelgewebe. Der Intraklassen-Korrelationskoeffizient (IKK) wurde genutzt, um die Reproduzierbarkeit der RM zu quantifizieren.
Ergebnisse
Für T1-gewichtete Bilder zeigten bei Anwendung der Normalisierung 110 (37%) von 295 RM einen IKK≥0.8: 54 (61%) von 89 Merkmalen der ersten Ordnung (MEO), 35 (95%) von 37 Volumen- und Form-Merkmalen, und 21 (12%) von 169 Texturmerkmalen (TM). Beim Retest mit anderen MRT-Geräten verringerte sich die Anzahl der reproduzierbaren RM trotz Normalisierung: Beim zweiten 1.5 Tesla MRT-Gerät zeigten nur noch 29 MEOs bzw. 7 TM einen IKK≥0.8, beim 3 Tesla MRT-Gerät nur 49 MEO bzw. 7 TM. Fünfundzwanzig (28%) der 89 MEO und 6 (4%) der 169 TM zeigten in allen Experimenten einen IKK≥0.8.
Schlussfolgerungen
In vivo sind selbst bei Anwendung einer Normalisierung nur wenige Radiomicsmerkmale zwischen verschiedenen MRT-Geräten reproduzierbar. Diese Studie zeigt ein zentrales Problem auf, das bei einer möglichen klinischen Anwendung von Radiomics beachtet werden muss. Die Studie isolierte eine kleine Anzahl an Radiomics-Merkmalen für das Knochenmark, welche auch zwischen verschiedenen MRT-Geräten eine akzeptable Reproduzierbarkeit zeigten.
Reproduziert aus Investigative Radiology, doi: 10.1097/RLI.0000000000000927, mit Erlaubnis von Kluwer Law International.
Reproduziert aus Investigative Radiology, doi: 10.1097/RLI.0000000000000927, mit Erlaubnis von Kluwer Law International.
Teilnahme Young Investigator Award
09:20 - 09:25
Vortrag (Wissenschaft)
Erkennung des biologischen Patientengeschlechts anhand von Röntgenbildern des Sprunggelenks mittels neuronaler Netzwerke
Philipp Rebmann (Freiburg)
Zielsetzung
Erforschung der Möglichkeiten moderner Deep-Learning-Algorithmen zur Identifizierung von Patientenmerkmalen, die in Röntgenbildern nicht direkt sichtbar sind, am Beispiel des biologischen Geschlechts.
Material und Methoden
Es wurden 3332 zwischen 2013 und 2019 entstandene Röntgenaufnahmen des Sprunggelenks (OSG) in anterior-posteriorer (ap) und lateraler (lat) Projektion hinsichtlich des Patientengeschlechts klassifiziert. Es erfolgte eine randomisierte Einteilung des Datensatzes in 2519 (76%) Bilder zum Training sowie 146 (4%) zur Validierung und 667 (20%) zur separaten Ergebnisberechnung (Test). Für den Vergleich aktueller Deep-Learning-Algorithmen wurden die Netzwerke InceptionV3 (IC) und Xception (XC) ausgewählt. Die Bilder wurden auf 340*512 Pixel skaliert und dynamisch augmentiert. Das Training erfolgte über 500 Epochen in Tensorflow 2.5 auf einer GPU (Nvidia Tesla P100) bei kontinuierlicher Senkung der Lernrate von 0,1 auf 0,005.
Ergebnisse
Der Datensatz enthält 46% als weiblich und 54% als männlich klassifizierte Aufnahmen des OSG. Bei Trainingsdauern von je rund 15h erzielt das InceptionV3-Netzwerk im Test Erkennungsgenauigkeiten für das Patientengeschlecht von 93,25% (ap) bzw. 89,51% (lat), das Xception-Netzwerk zeigt mit 95,65% (ap) bzw. 91,60% (lat) im Vergleich bessere Ergebnisse. Die ROC AUC beträgt für IC 0,98 (ap) bzw. 0.96 (lat) und für XC 0,99 (ap) bzw. 0,97 (lat).
Schlussfolgerungen
Unsere Untersuchung konnte zeigen, dass moderne neuronale Netzwerke in der Lage sind, selbst für den geschulten Betrachter weitgehend verborgene Merkmale in Röntgenaufnahmen zuverlässig zu identifizieren und so bei der Qualitätskontrolle zu helfen und die radiologische Befundung zu erweitern. Eine klinische Implementierung derartiger Deep-Learning-Anwendungen über grundlegende Aufgaben wie die der bereits etablierten Frakturerkennung hinaus ist zu erwarten. Gleichwohl bleiben ethische Aspekte hinsichtlich möglicher diskriminierender Beurteilung durch KI Gegenstand aktueller Diskussionen.
09:25 - 09:30
Vortrag (Wissenschaft)
Deep Learning-basierte Quantifizierung der Aorten-Makroangiopathie verbessert die Vorhersage der kardiovaskulären Mortalität im National Lung Screening Trial (NLST)
Alexander Rau (Freiburg)
Zielsetzung
Der maximale Aortendurchmesser wird aktuell zur Beurteilung von kardiovaskulären Veränderungen verwendet; die Quantifizierung von weiteren makroangiopathischen Veränderungen ist möglich, jedoch arbeitsintensiv. Ziel der Studie ist die Evaluation automatisiert erhobener Parameter makroangiopathischer Veränderungen der Aorta.
Material und Methoden
Wir haben ein tiefes neuronales Patchwork zur Segmentierung der Aorta in CTs der National Lung Screening Trial verwendet, um makroangiopathische Merkmale der Aorta zu quantifizieren: maximaler Durchmesser (mm), Volumen (cm3) und Verkalkungen (ml; angegeben in Quartilen). Der primäre Endpunkt war die CV-Mortalität. Zudem, wurde der Zusammenhang zwischen makroangiopathischen Merkmalen und der kardiovaskulären Mortalität untersucht.
Ergebnisse
Bei 22.904 Teilnehmern (Durchschnittsalter 61,4±50 Jahre; 59,1% männlich) gab es 1,7% (392/22.904) kardiovaskuläre Todesfälle während einer Nachbeobachtungszeit von 6,6±1,1 Jahren. Aortenvolumen und Verkalkungen hatten einen signifikant höheren Vorhersagewert für die kardiovaskuläre Mortalität als der maximale Durchmesser (p≤0,002). In der univariablen Analyse gab es signifikante Zusammenhänge zwischen allen makroangiopathischen Merkmalen und der kardiovaskulären Mortalität: maximaler Durchmesser (HR: 1,03; p<0. 001), Volumen (HR: 1,00; p<0,001) und Verkalkungen (HR 2. Quartil: 1,76; 3. Quartil: 2,29; 4. Quartil: 3,61; alle p≤0,002). In multivariablen Modellen, blieben das Volumen (aHR: 1,00; p=0,04) und das 3./4. Quartil der Verkalkungen signifikant mit der CV-Mortalität assoziiert (HR 3. Quartil: 1,45; 4. Quartil: 1,99; p≤0,04), während die Assoziation für den maximalen Durchmesser abgeschwächt war.
Schlussfolgerungen
Die Deep Learning- basierte Quantifizierung des Aortenvolumens und der Verkalkungen sind unabhängige Prädiktoren bei starken Rauchern, die an einer Lungenkrebs-Screeningstudie teilnehmen, für die kardiovaskuläre Mortalität, die über den Maximaldurchmesser und die traditionellen kardiovaskulären Risikofaktoren hinausgehen.
Teilnahme Young Investigator Award
09:30 - 10:00
Diskussion
Diskussion
Häufige Fragen
Erst anmelden, dann teilnehmen!
Sie interessieren sich für ein RÖKO DIGITAL-Webinar? Dann melden Sie sich bitte bis spätestens 24 Stunden vor Beginn der Veranstaltung einmalig für den RÖKO DIGITAL des 104. 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 registrieren. Mit Eingabe des Codes ist die Anmeldung für Sie kostenfrei.
Alle Informationen zur Anmeldung und Gruppenanmeldung für den RÖKO DIGITAL erhalten Sie unter Anmeldung.
Teilnahme an RÖKO DIGITAL-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 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 DGMTR-Mitglieder verwenden Ihre Zugangsdaten für den Mitgliederbereich. Nichtmitglieder nutzen bitte die Login-Daten, welche für die Anmeldung / Registrierung eingesetzt wurden.
Sie möchten ein Webinar für sich in Ihrer Merkliste vormerken!
Wenn Sie die Teilnahme am RÖKO DIGITAL bereits gebucht haben und bereits einige Zeit vor dem Webinar-Termin sich diesen vormerken wollen, klicken Sie auf den Button teilnehmen und folgen Sie dem "RadiSSO-Login"-Button. 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 Ihrem persönlichen RÖKO DIGITAL-Programm im Benutzermenü.
Teilnahme an RÖKO DIGITAL-Industrie-Webinaren
Bei jeder Veranstaltung, die bereits für die Teilnehmer:innen freigeschaltet wurde, finden Sie oben rechts einen grünen "Teilnehmen"-Button.
Wenn Sie Kongress-Teilnehmer:in 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-Teilnehmer:in und NICHT eingeloggt sind, klicken Sie auf den Button "RadiSSO-Login". 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 keine Kongress-Teilnehmer:in 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 digitalen Lernplattform der DRG
Zugriff auf die Aufzeichnungen der Webinare auf conrad, der digitalen Lernplattform der DRG, ist ausschließlich den DRG-/DGMTR-Mitgliedern vorbehalten. Die Verfügbarkeit einer Webinar-Aufzeichnung wird nicht garantiert. Voraussetzung ist die Zustimmung der Referent:innen. 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-/DGMTR-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 digitalen 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 mitteilen.
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 digitalen Lernplattform der DRG, vergeben.
Wann werden meine Fortbildungspunkte an die Landesärztekammer weitergeleitet?
Damit die Fortbildungspunkte innerhalb von fünf Arbeitstagen nach dem Webinar an den EIV* weitergeleitet werden können, ist es Voraussetzung, dass uns Ihre EFN bereits vorliegt oder dass Sie uns diese bei der Anmeldung zum RÖKO DIGITAL übermitteln.
Mitglieder der Deutschen Röntgengesellschaft können diese selbstständig im DRG-Mitgliederbereich eintragen.