Skip to main content

18.08.2017 | Original Article | Ausgabe 4/2017

Forensic Science, Medicine and Pathology 4/2017

Automatic detection of hemorrhagic pericardial effusion on PMCT using deep learning - a feasibility study

Forensic Science, Medicine and Pathology > Ausgabe 4/2017
Lars C. Ebert, Jakob Heimer, Wolf Schweitzer, Till Sieberth, Anja Leipner, Michael Thali, Garyfalia Ampanozi
Wichtige Hinweise

Electronic supplementary material

The online version of this article (doi:10.​1007/​s12024-017-9906-1) contains supplementary material, which is available to authorized users.


Post mortem computed tomography (PMCT) can be used as a triage tool to better identify cases with a possibly non-natural cause of death, especially when high caseloads make it impossible to perform autopsies on all cases. Substantial data can be generated by modern medical scanners, especially in a forensic setting where the entire body is documented at high resolution. A solution for the resulting issues could be the use of deep learning techniques for automatic analysis of radiological images. In this article, we wanted to test the feasibility of such methods for forensic imaging by hypothesizing that deep learning methods can detect and segment a hemopericardium in PMCT. For deep learning image analysis software, we used the ViDi Suite 2.0. We retrospectively selected 28 cases with, and 24 cases without, hemopericardium. Based on these data, we trained two separate deep learning networks. The first one classified images into hemopericardium/not hemopericardium, and the second one segmented the blood content. We randomly selected 50% of the data for training and 50% for validation. This process was repeated 20 times. The best performing classification network classified all cases of hemopericardium from the validation images correctly with only a few false positives. The best performing segmentation network would tend to underestimate the amount of blood in the pericardium, which is the case for most networks. This is the first study that shows that deep learning has potential for automated image analysis of radiological images in forensic medicine.

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

e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Nicht verpassen: e.Med bis 13. März 2019 100€ günstiger im ersten Jahr!

ESM 1 (PDF 189 kb)
Über diesen Artikel

Weitere Artikel der Ausgabe 4/2017

Forensic Science, Medicine and Pathology 4/2017 Zur Ausgabe

Neu im Fachgebiet Pathologie

04.02.2019 | Schwerpunkt: Gynäkopathologie | Ausgabe 1/2019 Open Access

Fallstricke und Probleme bei der Differenzialdiagnose epithelialer Ovarialtumoren

01.02.2019 | Schwerpunkt: Gynäkopathologie | Ausgabe 1/2019

S3-Leitlinie Diagnostik und Therapie des Endometriumkarzinoms

Anforderungen an die Pathologie

01.02.2019 | Schwerpunkt: Gynäkopathologie | Ausgabe 1/2019 Open Access

Vorläuferläsionen der Endometriumkarzinome

01.02.2019 | Schwerpunkt: Gynäkopathologie | Ausgabe 1/2019

TNM-Klassifikation gynäkologischer Tumoren

Was bleibt über 2017 hinaus zu tun?