80 Arbeiten
Die Studie zeigt, dass die nicht-invasive GCPII-PET-Bildgebung mittels bereits zugelassener PSMA-Tracer eine vielversprechende Methode zur präzisen Identifizierung und Verlaufsbeobachtung von Muskeldenervierung bei peripheren Nervenverletzungen darstellt, da die Tracer-Aufnahme in denervierten Muskeln erhöht ist und sich nach Reinnervation normalisiert.
Eine Studie an einem Krankenhaus in der Ostkap-Provinz Südafrika zeigt, dass die Strahlendosen bei pädiatrischen CT-Untersuchungen internationalen Standards entsprechen, wobei jedoch leicht erhöhte Werte in den Nachtschichten auf einen Bedarf an einheitlicherer Schulung und Standardisierung hinweisen.
Diese Studie zeigt, dass ein auf longitudinalen digitalen Tomosynthese-Bildern basierendes Deep-Learning-Modell die Vorhersage des 5-Jahres-Brustkrebsrisikos im Vergleich zu herkömmlichen FFDM-basierten und klinischen Modellen signifikant verbessert und somit personalisierte Screening-Strategien ermöglicht.
Die SEIOMM-3D-DXA-Studie etablierte alters- und geschlechtsspezifische Referenzwerte für dreidimensionale DXA-Parameter der Hüfte, um durch die Erfassung von Kompartment-Ungleichgewichten zwischen kortikalem und trabekulärem Knochen die Osteoporose-Diagnostik und -Behandlung zu verbessern.
Diese Studie stellt einen umfassenden KI-gestützten Diagnoseprozess vor, der durch die Verwendung eines Large Language Models zur Neukennzeichnung von Röntgenbildern und die Kombination von Deep Learning mit Grad-CAM die Genauigkeit bei der Erkennung, Lokalisierung und Berichterstattung von Lungenentzündungen im Vergleich zu herkömmlichen Methoden und Radiologen signifikant verbessert.
Die Studie zeigt, dass die Dehnungsmessungen des linken Ventrikels und des linken Vorhofs composite Maße sind, die durch die Geometrie und Funktion des Herzens, insbesondere durch die MAPSE sowie die Größe und Dimensionen der Herzkammern, bestimmt werden und deren prognostische Aussagekraft auf diesen geometrischen Zusammenhängen beruht.
Die Studie stellt ein label-freies, informationstheoretisches Framework vor, das durch eine objektive Optimierung von Nachbarschaftsradius, Kernel-Geometrie und Frequenzsubset die Reproduzierbarkeit und Generalisierbarkeit der MR-Elastografie-Radiomik über verschiedene Gewebe und Aufnahmeprotokolle hinweg verbessert.
Die Studie zeigt, dass Ensemble-Regressionsmodelle, die auf einer Kombination aus erklärbarer automatischer Bildqualitätsbewertung und umfangreichen Expertenurteilen basieren, eine transparente und skalierbare Qualitätskontrolle für die medizinische Bildsynthese mittels adversarieller Diffusionsframeworks ermöglichen.
Eine multizentrische Validierungsstudie zeigt, dass technische Aufnahmeparameter, insbesondere der Röntgenaufnahmetyp (AP vs. PA), die Leistungsunterschiede bei KI-Systemen zur Auswertung von Thoraxröntgenbildern deutlich stärker beeinflussen als demografische Faktoren wie Alter und Geschlecht, was eine explizite Prüfung dieser Parameter in regulatorischen Rahmenwerken erfordert.
Die Studie liefert multimodale neurobiologische Belege dafür, dass eine aktive zweite Sprachimmersion die glymphatische Funktion des Gehirns durch verbesserte Koordination zwischen Gehirn und Liquor, optimierte Strukturen des Plexus choroideus und erhöhte perivaskuläre Durchströmung fördert, was auf einen neuroprotektiven Nutzen von Zweisprachigkeit hindeutet.
Das Paper stellt PANDORA vor, eine datenadaptive Plattform, die durch die effiziente Komprimierung von MRT-Daten über 80.000 UK Biobank-Teilnehmer die Speicherung um bis zu 99 % reduziert und die Rechengeschwindigkeit verzehnfacht, um gleichzeitig räumliche Details zu erhalten und statistische Analysen auf Bevölkerungsebene zu beschleunigen.
Diese Studie stellt ein auf ResNet-18 basierendes Deep-Learning-Modell vor, das mithilfe von nicht-kontrastmittelverstärkten Kopf-Hals-CT-Bildern eine automatisierte und zuverlässige Detektion sowie quantitative Risikobewertung von Wirbelarterienverkalkungen ermöglicht, um als Entscheidungsunterstützung für Zahnärzte und Radiologen zur frühzeitigen Schlaganfallprävention zu dienen.
Die Studie zeigt, dass die Kombination aus Standard-Model-Imaging (SMI) und Diffusions-Tensor-Bildgebung (DTI) die Klassifizierung verschiedener Multipler-Sklerose-Läsionen und normaler weißer Substanz verbessert und dabei komplementäre mikrostukturelle Informationen liefert, die über die Leistungsfähigkeit einzelner Modelle hinausgehen.
Die Studie zeigt, dass die Verwendung von Multi-Shell-dMRI-Methoden im Vergleich zu herkömmlichen Einzel-Shell-Ansätzen eine robustere und aussagekräftigere Charakterisierung der mikroskopischen Pathologie bei Multipler Sklerose ermöglicht.
Diese Studie zeigt, dass maschinelle Lernmodelle, die auf Amyloid-PET- und MRT-Daten von sieben Standorten basieren, das Risiko für den kognitiven Abbau bei Personen mit präklinischer Alzheimer-Krankheit erfolgreich vorhersagen und so die Rekrutierung für klinische Studien sowie die statistische Aussagekraft verbessern können.
Diese klinische Pilotstudie zeigt, dass die Verwendung eines polygenen Risikoscores zur Risikobewertung bei Frauen im Alter von 40 bis 49 Jahren dazu beitragen kann, das Brustkrebsscreening zu personalisieren und die Screening-Empfehlungen zu optimieren, ohne dabei bei den Teilnehmerinnen erhöhte Ängste auszulösen.
Diese Studie zeigt mittels normativer Modellierung, dass bei subkortikalen Schlaganfällen die aktive dynamische Verdickung der Hirnrinde und nicht statische strukturelle Merkmale der entscheidende Treiber für die motorische Erholung ist.
Die retrospektive Studie validiert den KI-basierten Lenek Intelligent Radiology Assistant (LIRA) in Indien als zuverlässiges Screening- und Triage-Tool für Thoraxröntgenaufnahmen, das durch hohe Sensitivität bei der Erkennung verschiedener Pathologien, insbesondere Tuberkulose, dazu beiträgt, den Mangel an Radiologen zu kompensieren und die Diagnosegeschwindigkeit zu erhöhen.
Diese Studie nutzt Multi-Modalitäts-Bildgebung und Deep Learning an 134.000 Personen der UK Biobank, um ein hochauflösendes, organspezifisches Alterungsprofil zu erstellen, das heterogene Alterungsmuster aufdeckt, Krankheitsrisiken vorhersagt und divergierende Effekte von Lebensstilfaktoren aufzeigt.
Die Arbeit stellt TumorCLIP vor, einen leichten, vision-sprachbasierten Rahmen zur erklärbaren Klassifizierung von Hirntumoren in MRT-Bildern, der radiologisch fundierte Textprototypen mit einem stabilen DenseNet121-Encoder kombiniert, um die Genauigkeit zu steigern und die Interpretierbarkeit zu verbessern.