📄 Category

radiology and imaging

97 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.

📄 Radiologie und Bildgebung

Adaptive Post-Processing Recovers Most of the Gap to nnU-Net v2 in Head and Neck GTV Segmentation: A Paired Three-Arm HECKTOR 2025 Benchmark

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.

Oyarzun Silva, R., Hernandez Hernandez, P.2026-08-31
📄 Radiologie und Bildgebung

Image transmission through a multimode fibre in reflection mode with physics-guided deep learning towards ultrathin endoscopy

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.

Ye, Z., He, F., Zhao, T., Xia, W.2026-08-31
📄 Radiologie und Bildgebung

AUTONOMOUS LOOP CONSTRUCTION AND SUPERVISION FOR CLINICIAN-ORIENTED MEDICAL-AI RESEARCH

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.

Chen, X., Jiang, X., Shan, C., Wang, Z., Li, D., Zhao, C.2026-08-25
📄 Radiologie und Bildgebung

Label-Free Threshold Selection for Out-of-Distribution Detection in Liver CT Segmentation

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.

Nielsen, M., Castelo, A., Altaie, M., Bennett, J., Anthony, A., Siddiqi, N. S., Gupta, A. C., Brock, K. K., Woodland, M.2026-08-24
📄 Radiologie und Bildgebung

SEEG Contact Detector: A 3D Slicer Extension for Automated Localisation of Intracranial Electrode Contacts

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.

Smid, J., Jezdik, P., Kalina, A., Kudr, M., Janca, R.2026-08-19
📄 Radiologie und Bildgebung

Quantifying Human-AI Workflow in Abdominal Ultrasound: A Prospective Randomised Crossover Study

Diese prospektive randomisierte Crossover-Studie zeigt, dass herstellerintegrierte KI-Software die betriebliche Effizienz signifikant verbessert und den mentalen Aufwand sowie die körperliche Anstrengung für Sonografen bei der Durchführung von Abdominalultraschall reduziert, obwohl das Ausmaß der Zeitersparnis zwischen den Anwendern variiert und die Technologie den Arbeitsablauf eher umgestaltet als eliminiert.

Hsiao, N., Clifford, M., Lin, S.-Z., Premasiri, S., Roots, J., Allen, H., Robertson, A. P., Moafa, K., Wardle, J., Edwar (…)2026-08-19
📄 Radiologie und Bildgebung

Small but systematic bias introduced by EEG electrodes in PET imaging

Diese Studie zeigt, dass die Verwendung von CT-Bildern mit EEG-Elektroden und einem erweiterten Hounsfield-Einheiten-Bereich die genaueste Schwächungskorrektur für die simultane PET/EEG-Bildgebung bietet, wobei lediglich eine kleine, systematische Abweichung im Vergleich zu Scans ohne Elektroden auftritt, während Techniken zur Reduzierung von Metallartefakten nur einen minimalen zusätzlichen Nutzen bieten.

Stöhrmann, P., Ponce de Leon, M., Dörl, G., Milz, C., Graf, S., Eggerstorfer, B., Murgas, M., Reed, M. B., Falb, P. C. (…)2026-08-13
📄 Radiologie und Bildgebung

Clinical selectivity and failure modes of automated chest radiograph report evaluation metrics: a cross-dataset analysis of ReXErr-v1 and RadEvalX

Diese datensatzübergreifende Analyse verdeutlicht, dass standardmäßige automatisierte Metriken wie BLEU und ROUGE zwar sehr empfindlich auf textuelle Änderungen reagieren, jedoch nicht in der Lage sind, klinisch bedeutsame Fehler zu unterscheiden, wobei sich CheXbert als die am besten abgestimmte Metrik für die Bewertung der Qualität radiologischer Berichte herausstellt, ungeachtet einer nur moderaten Gesamtleistung.

Naidu, J., Muralidharan, S., Prashani, A., Baskaradoss, V.2026-08-12
📄 Radiologie und Bildgebung

Pushing a Frozen CXR Foundation Model: A LoRA Partial-Fine-Tuning Study on NIH ChestX-ray14 with a Model-Conditional Label-Flip Sensitivity Analysis

Diese retrospektive Studie zeigt, dass die Anwendung von Low-Rank Adaptation (LoRA) auf ein eingefrorenes Rad-DINO ViT-B/14 Foundation-Modell die Leistung der Multi-Label-Klassifizierung auf dem NIH ChestX-ray14-Datensatz verbessert, während sie explizit klarstellt, dass die berichteten Ergebnisse deskriptiver als konfirmatorischer Natur sind, da zuvor eine Exposition gegenüber den Test-Labels stattfand, und die Sensitivität der Metriken gegenüber kontrafaktischen Label-Flip-Analysen hervorhebt.

BAI, T.-C., YEH, S.-C.2026-08-11
📄 Radiologie und Bildgebung

CT ECV Mapper: an interactive 3D Slicer application with a batch-capable pipeline for voxelwise CT-derived extracellular volume mapping of the liver and hepatic tumors

Der Autor präsentiert den CT ECV Mapper, eine Open-Source-3D-Slicer-Anwendung, die sowohl die interaktive als auch die automatisierte Batch-Verarbeitung der voxelweisen Kartierung des extrazellulären Volumens für die Leber und hepatische Tumoren mittels konventioneller Single-Energy-Multiphasen-CT ermöglicht und dabei eine hohe Durchführbarkeit sowie eine robuste Qualitätskontrolle an einem großen öffentlichen Datensatz demonstriert.

Suzuki, M.2026-08-11