82 Arbeiten
Die Welt der Radiologie und medizinischen Bildgebung öffnet einen unschätzbaren Blick ins menschliche Körperinnere, ohne dass dabei ein Skalpell nötig ist. Von der klassischen Röntgenaufnahme bis zur hochkomplexen Magnetresonanztomographie helfen diese Technologien Ärztinnen und Ärzten dabei, Krankheiten früher zu erkennen und Behandlungen präziser zu steuern. Auf Gist.Science machen wir die neuesten wissenschaftlichen Erkenntnisse aus diesem dynamischen Feld für alle verständlich.
Jede neue Vorveröffentlichung in dieser Kategorie stammt direkt von medRxiv, der führenden Plattform für medizinische Preprints. Unser Team verarbeitet jeden dieser Einträge sofort, um Ihnen sowohl eine detaillierte technische Zusammenfassung als auch eine leicht verständliche Erklärung auf Deutsch anzubieten. So bleiben Sie immer auf dem Laufenden, egal ob Sie Fachkenntnisse haben oder einfach nur neugierig sind.
Im Folgenden finden Sie die aktuellsten Forschungsarbeiten aus dem Bereich der Radiologie und Bildgebung, die wir für Sie aufbereitet haben.
Bei kognitiv unbeeinträchtigten Individuen aus der Baltimore Longitudinal Study of Aging zeigte Plasma-p-tau217 im Vergleich zu anderen Plasma-Biomarkern die stärkste Assoziation sowohl mit nachfolgender Alzheimer-Krankheit-bezogener Demenz als auch mit longitudinalen Veränderungen in AD-spezifischen Hirnatrophie-Mustern.
Diese Studie zeigt, dass die hyperspektrale Bildgebung im sichtbaren/nahen Infrarotbereich, insbesondere wenn sie unter Verwendung von Full-Spectrum-Maschinellen-Lernalgorithmen analysiert wird, Zellulitis, Nicht-Zellulitis-Ödeme und gesundes Unterbein-Gewebe bei Patienten in der Notaufnahme über verschiedene Hautpigmentierungstypen hinweg genau und schnell klassifizieren kann.
Diese Proof-of-Concept-Studie identifizierte eine Gruppe reproduzierbarer und wiederholbarer Radiomics-Merkmale aus Gadoxetsäure-verstärkten MRT-Aufnahmen, die signifikant mit quantitativen Leberfunktionsindizes korrelieren, und schuf damit eine Grundlage für die zukünftige radiomische Forschung im Zusammenhang mit der Leberfunktion.
Diese Phantomstudie evaluiert die Genauigkeit von CTA, 3DRA und 2D-DSA bei der Messung intrakranieller Gefäßdurchmesser gegenüber dem physischen Ground Truth und zeigt auf, dass alle Modalitäten zwar im Allgemeinen innerhalb von 0,5 mm der wahren Dimensionen messen, jedoch konsistente Bias-Werte aufweisen, die je nach Gefäßgröße, Kontrastkonzentration und Detektionsalgorithmus variieren, wobei sich die maximale Gradienten-Kantendetektion gegenüber FWHM- und Fixed-HU-Methoden als überlegen erweist.
Dieses Paper stellt Residual Endpoint Flow Matching (REFM) vor, eine einstufige Deep-Learning-Methode, welche die inhärente anatomische Ähnlichkeit zwischen Niedrigdosis- und Standarddosis-CT-Bildern nutzt, um in Echtzeit eine hochwertige Rauschunterdrückung zu erreichen, die mit iterativen Diffusionsmodellen vergleichbar ist, während sie gleichzeitig die Rechenkosten drastisch reduziert.
Dieser HECKTOR 2025 Benchmark zeigt, dass die adaptive Post-Processing-Methode zwar die Leistungsdifferenz zwischen einem leichtgewichtigen MiniUNet3D und dem größeren nnU-Net v2 bei der Segmentierung von Kopf-Hals-Tumoren signifikant verringert, jedoch nicht vollständig in der Lage ist, die Unterschiede in der Genauigkeit der Lymphknotenerkrankungen zu eliminieren oder eine höhere Rate an katastrophalen Fehlern bei kleinen Primärtumoren zu verhindern.
Diese Arbeit präsentiert ein physikgestütztes Deep-Learning-Framework, das eine reflektierte, reellwertige Intensitäts-Transmissionsmatrix mit Bildrestaurierungsnetzwerken kombiniert, um eine einschüssige, phasenrückgewinnungsfreie Bildwiederherstellung durch Multimode-Fasern im Reflexionsmodus zu ermöglichen, wodurch die Bildqualität und Generalisierbarkeit für die ultradünne Endoskopie signifikant verbessert wird.
Dieses Paper stellt MARLA vor, ein agentenbasiertes Framework, das es Klinikern ermöglicht, autonom komplexe multimodale medizinische KI-Forschung durchzuführen, indem es hochrangige Studienziele automatisch in ausführbare, selbstkorrigierende Forschungszyklen übersetzt und somit die Notwendigkeit spezialisierter KI-Expertise eliminiert.
Dieses Paper schlägt ein labelfreies Framework zur Kalibrierung von Out-of-Distribution-Schwellenwerten in der Leber-CT-Segmentierung vor, indem eine Log-t-Verteilung an paarweise Oberflächen-DSC-Scores angepasst wird, was eine statistisch fundierte Kategorisierung des Ausfallrisikos ermöglicht, ohne dass Experten-gelabelte Fehlerdaten erforderlich sind.
Dieses Paper stellt eine Open-Source-3D-Slicer-Erweiterung vor, die die präzise Lokalisierung von intrakraniellen Elektrodenkontakten für die SEEG-Analyse automatisiert, dabei eine hohe Genauigkeit mit minimaler manueller Korrektur erreicht und eine benutzerfreundliche, integrierte Lösung bietet, um klinische Arbeitsabläufe zu optimieren.