nach oben

Die Radiologie

Erschienen in:

07.07.2020 | Computertomografie | Informationstechnologie und Management

Algorithmen mit künstlicher Intelligenz

Entscheidungsunterstützung für Computertomographien des Thorax

verfasst von: Panagiota Manava, Dr. Marco Galster, Henrik Heinen, Alexander Stebner, Michael Lell

Erschienen in: Die Radiologie | Ausgabe 10/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Algorithmen, die durch künstliche Intelligenz (KI) gestützt werden, kommen in der Radiologie immer häufiger zum Einsatz. Hauptanwendungsgebiete sind z. B. die Detektion pulmonaler Rundherde sowie die Diagnostik chronisch-obstruktiver sowie interstitieller Lungenerkrankungen. Ziel unserer Studie war es, ein Paket von Algorithmen zu trainieren und evaluieren, die Daten aus Computertomographien (CT) des Thorax analysieren und dem Radiologen quantitative Messwerte bieten. Folgende Algorithmen wurden trainiert: Läsionserkennung und -messung, Lappensegmentierung, Gefäßsegmentierung und -messung, Berechnung eines Kalk-Scores der Koronarien sowie Segmentierung, Messung und Dichteanalyse von Wirbelkörpern. KI-gestützte Algorithmen werden in Zukunft im Alltag des Radiologen zu finden sein. Viele Aufgaben, die keine medizinischen Fachkenntnisse erfordern, können von der KI übernommen werden. Unsere Ergebnisse zeigen jedoch, dass auf Grund der aktuellen Treffsicherheit eine Kontrolle durch erfahrene Radiologen erforderlich ist.

AdaBoost

Adaptive Boosting ist ein Metaalgorithmus für maschinelles Lernen und verbessert die Leistung bei gleichzeitiger Verwendung mehrerer Arten von Lernalgorithmen

Deep image-to-image-Netzwerk (DI2IN)

künstliches neuronales Netzwerk zur Bilderkennung, das Inputs unterschiedlicher Größe verarbeiten kann

False positive reduction (FPR)

Aussortierung falsch positiver Kandidaten

Faster Region Convolutional Neural Network (faster-RCNN)

Erkennungsnetzwerk mit kurzer Laufzeit

Nodule Candidate Generation (NCG)

generiert einen Rundherdkandidaten

Residual Network Units

Neuronales Netzwerk mit einer Architektur, die die Ausgabe einer Ebene mit der Ausgabe einer neuen Ebene verbindet

Symmetrische convolutional encoder-decoder-Architektur

neuronales Netz, aus Encoder und Decoder, das darauf abzielt, seine Eingabe in die Ausgaben zu kopieren und Daten dabei wie gewünscht zu bearbeiten, z. B. Denoising

Wavelet-Merkmale

Funktionen, die Bilder mittels Fourier-Transformation in verschiedene (Frequenz)Komponenten zerlegen und die Möglichkeit bieten, verschiedene Auflösungsstufen zu betrachten

Adams JE, Lenchik L, Roux C, Genant HK (2010) Radiological assessment of vertebral fracture. International osteoporosis foundation vertebral fracture initiative resource document part II 2010, S 1–49

Ardila D, Kiraly AP, Bharadwaj S et al (2019) End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25:954–961CrossRef

Boueiz A, Chang Y, Cho MH et al (2018) Lobar emphysema distribution is associated with 5‑year radiological disease progression. Chest 153:65–76CrossRef

Chen H, Shen C, Qin J et al (2015) Automatic localization and identification of vertebrae in spine CT via a joint learning model with deep neural networks. In: Navab N et al (Hrsg) Medical image computing and computer-assisted intervention MICCAI 2015. Lecture notes in computer science, Bd. 9349. Springer, Cham, S 515–522

Das N, Topalovic M, Janssens W (2018) Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med 24:117–123CrossRef

Depeursinge A, Chin AS, Leung AN et al (2015) Automated classification of usual interstitial pneumonia using regional volumetric texture analysis in high-resolution computed tomography. Invest Radiol 50:261–267CrossRef

Fischer AM, Varga-Szemes A, Martin SS et al (2020) Artificial intelligence-based fully automated per lobe segmentation and emphysema-quantification based on chest computed tomography compared with global initiative for chronic obstructive lung disease severity of smokers. J Thorac Imaging. https://doi.org/10.1097/RTI.0000000000000500CrossRefPubMed

Fishman A, Fessler H, Martinez F et al (2001) Patients at high risk of death after lung-volume-reduction surgery. N Engl J Med 345:1075–1083CrossRef

Galbusera F, Casaroli G, Bassani T (2019) Artificial intelligence and machine learning in spine research. JOR Spine 2:e1044CrossRef

10.

Genant HK, Wu CY, Van Kuijk C et al (1993) Vertebral fracture assessment using a semiquantitative technique. J Bone Miner Res 8:1137–1148CrossRef

11.

Gevenois PA, De Vuyst P, De Maertelaer V et al (1996) Comparison of computed density and microscopic morphometry in pulmonary emphysema. Am J Respir Crit Care Med 154:187–192CrossRef

12.

Ghesu F‑C, Georgescu B, Zheng Y et al (2017) Multi-scale deep reinforcement learning for real-time 3D-landmark detection in CT scans. IEEE Trans Pattern Anal Mach Intell 41:176–189CrossRef

13.

Goo JM (2011) A computer-aided diagnosis for evaluating lung nodules on chest CT: the current status and perspective. Korean J Radiol 12:145–155CrossRef

14.

He K, Zhang X, Ren S et al (2015) Deep residual learning for image recognition, S 7

15.

Hiratzka L, Bakris G, Beckman J et al (2010) Guidelines for the diagnosis and management of patients with thoracic aortic disease: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines, American Association for Thoracic Surgery, American College of Radiology, American Stroke Association, Society of Cardiovascular Anesthesiologists, Society for Cardiovascular Angiography and Interventions, Society of Interventional Radiology, Society of Thoracic Surgeons, and Society for Vascular Medicine. Circulation 121:e266–e369PubMed

16.

Isgum I, Prokop M, Niemeijer M et al (2012) Automatic coronary calcium scoring in low-dose chest computed tomography. IEEE Trans Med Imaging 31:2322–2334CrossRef

17.

Kazantzi A, Costaridou L, Skiadopoulos S et al (2014) Automated 3D ιnterstitial lung disease εxtent quantification: performance evaluation and correlation to PFTs. J Digit Imaging 27:380–391CrossRef

18.

Langs G, Attenberger U, Licandro R et al (2020) Machine learning in radiology: terminology from individual timepoint to trajectory. Radiologe 60:6–14CrossRef

19.

Lodwick GS, Keats TE, Dorst JP (1963) The coding of roentgen images for computer analysis as applied to lung cancer. Radiology 81:185–200CrossRef

20.

Magalhaes Barros Netto S, Correa Silva A, Acatauassu Nunes R et al (2012) Automatic segmentation of lung nodules with growing neural gas and support vector machine. Comput Biol Med 42:1110–1121CrossRef

21.

Montagnon E, Cerny M, Cadrin-Chênevert A et al (2020) Deep learning workflow in radiology: a primer. Insights Imaging 11:22CrossRef

22.

Ochs RA, Goldin JG, Abtin F et al (2007) Automated classification of lung bronchovascular anatomy in CT using AdaBoost. Med Image Anal 11:315–324CrossRef

23.

Pan I, Cadrin-Chênevert A, Cheng PM (2019) Tackling the Radiological Society of North America pneumonia detection challenge. Am J Roentgenol 213:568–574CrossRef

24.

Pehrson LM, Nielsen MB, Ammitzbol Lauridsen C (2019) Automatic pulmonary nodule detection applying deep learning or machine learning algorithms to the LIDC-IDRI database: a systematic review. Diagnostics (Basel). https://doi.org/10.3390/diagnostics9010029CrossRef

25.

Prayer F, Rohrich S, Pan J et al (2020) Artificial intelligence in lung imaging. Radiologe 60:42–47CrossRef

26.

Prayer F, Röhrich S, Pan J et al (2020) Künstliche Intelligenz in der Bildgebung der Lunge. Radiologe 60:42–47CrossRef

27.

Rajpurkar P, Irvin J, Zhu K et al (2017) CheXnet: radiologist-level pneumonia detection on chest X‑rays with deep learning

28.

Ren S, He K, Girshick R et al (2017) Faster R‑CNN: towards real-time object detection with region proposal networks. Ieee Trans Pattern Anal Mach Intell 39:1137–1149CrossRef

29.

Suzuki K (2013) Machine learning in computer-aided diagnosis of the thorax and colon in CT: a survey. IEICE Trans Inf Syst E96-D:772–783CrossRef

30.

Turkbey EB, Jain A, Johnson C et al (2014) Determinants and normal values of ascending aortic diameter by age, gender, and race/ethnicity in the Multi-Ethnic Study of Atherosclerosis (MESA). J Magn Reson Imaging 39:360–368CrossRef

31.

Vogl WD, Prosch H, Muller-Mang C et al (2014) Longitudinal alignment of disease progression in fibrosing interstitial lung disease. Med Image Comput Comput Assist Interv 17:97–104PubMed

32.

Yang D, Xu D, Zhou SK et al (2017) Automatic liver segmentation using an adversarial image-to-image network. In: Descoteaux M et al (Hrsg) Medical image computing and computer assisted intervention MICCAI 2017. Lecture notes in computer science, Bd. 10435. Springer, Cham, S 507–515

33.

Zhan Y, Jian B, Maneesh D et al (2015) Cross-modality vertebrae localization and labeling using learning-based approaches. In: Spinal Imaging and Image Analysis, S 301–322CrossRef

Titel: Algorithmen mit künstlicher Intelligenz
Entscheidungsunterstützung für Computertomographien des Thorax
verfasst von: Panagiota Manava
Dr. Marco Galster
Henrik Heinen
Alexander Stebner
Michael Lell
Publikationsdatum: 07.07.2020
Verlag: Springer Medizin
Schlagwörter: Computertomografie
Computertomografie
Thorax-CT
Lungenrundherd
Künstliche Intelligenz
Erschienen in: Die Radiologie / Ausgabe 10/2020
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI: https://doi.org/10.1007/s00117-020-00714-1

Neu im Fachgebiet Radiologie

23.04.2024 | Pankreaskarzinom | Nachrichten

Update Radiologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Springer Medizin

Algorithmen mit künstlicher Intelligenz

Entscheidungsunterstützung für Computertomographien des Thorax

Zusammenfassung

Neu im Fachgebiet Radiologie

S3-Leitlinie zu Pankreaskrebs aktualisiert

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Update Radiologie

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 10/2020

Neurologische Manifestationen bei COVID-19: Was wir bisher wissen

Verursacht SARS-CoV-2 auch bei milden klinischen Verläufen eine Lungenentzündung?

Mitteilungen des Berufsverbandes der Deutschen Radiologen

COVID-19: Epidemiologische und klinische Fakten

Was COVID-19 mit der Lunge macht

CME: Top 10 der kinderradiologischen Notfälle

Neu im Fachgebiet Radiologie

S3-Leitlinie zu Pankreaskrebs aktualisiert

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Update Radiologie