52 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.
Diese Studie stellt einen ressourcenschonenden, zweistufigen Conditional-Diffusion-Ansatz vor, der aus CT-Scans synthetische PET-Bilder erzeugt, um durch die Erhaltung metabolischer Biomarker den Zugang zur onkologischen Früherkennung in ländlichen und unterversorgten Regionen zu verbessern.
Diese prospektive Studie zeigt, dass die 6-Punkt-Dixon-Methode auf MR-Simulations- und MR-Linac-Geräten für die quantitative Bestimmung von PDFF und R2* im Becken und im Kopf-Hals-Bereich die höchste Genauigkeit und Zuverlässigkeit bietet, was sie für die adaptive Strahlentherapie und zukünftige Biomarker-Studien zur Knochenmarkcharakterisierung besonders geeignet macht.
Diese Studie bestätigt die technische Machbarkeit der 3D-QALAS-Technik auf einem 1,5-T-MR-Linac, die es ermöglicht, innerhalb von sieben Minuten hochauflösende (1 mm isotrop) quantitative T1-, T2- und PD-Karten sowie synthetische Bilder des gesamten Gehirns zu erwerben.
Diese multizentrische Studie zeigt, dass die Reduzierung der Bildbittiefe von 16 auf 8 Bit bei der Analyse von Thoraxröntgenaufnahmen mit Deep-Learning-Modellen die Leistung für die Klassifizierung von Geschlecht, Alter und Adipositas nicht signifikant beeinträchtigt.
Die Studie zeigt, dass maskenbasierte Einbettungen aus einem medizinischen Fundamentalsegmentierungsmodell in Kombination mit klinischen Daten die Prognose des progressionsfreien Überlebens bei Multiplem Myelom aus [18F]FDG-PET/CT-Bildern signifikant verbessern und dabei herkömmliche Radiomik-Ansätze übertreffen.
Die Studie zeigt, dass die Aktivierung externer Laser-Positionierungssysteme während der MRT-Simulation die Bildqualität und die Genauigkeit quantitativer Messungen beeinträchtigen kann, insbesondere durch das Einfügen von elektronischem Rauschen, das zu einem signifikanten Signal-zu-Rausch-Verlust führt, wenn die integrierte Körperspule verwendet wird.
Die vorgestellte Holder-Optimierte Elastographie (HOE) ermöglicht eine nicht-invasive, Echtzeit-Erkennung von lymphatischen Obstruktionen bei brustkrebsbedingtem Lymphödem durch die Visualisierung von Hochgeschwindigkeitsbereichen, weist jedoch trotz hoher Spezifität noch eine eingeschränkte Sensitivität auf, die weiterer technischer Verfeinerungen bedarf.
Diese Arbeit identifiziert die Diskrepanz zwischen KI-Modellen, die auf NLP-generierten Labels trainiert wurden, und der klinischen Expertise, und zeigt, dass durch die Nutzung von Experten-Validierungsdaten, kürzeres Training, das Einfrieren von ImageNet-Features und Regularisierung statt direkter Optimierung die diagnostische Genauigkeit auf Chest X-ray-Daten signifikant gesteigert werden kann.
Diese Studie zeigt, dass für die Segmentierung von dichtem Brustgewebe in kleinen Mammografie-Datensätzen CNNs mit vollständiger Feinabstimmung, einem hybriden Verlust und einem einfachen Multi-View-SSL-Ansatz Transformer-Modelle übertreffen und einen optimalen Kompromiss zwischen Genauigkeit und Recheneffizienz bieten.
Die Studie stellt einen robusten, datengesteuerten Rahmen vor, der fünf räumliche Subtypen von weißen Matter-Hyperintensitäten identifiziert, die sich in ihren Risikoprofilen unterscheiden und eine bessere Vorhersage des zukünftigen Fortschreitens der Erkrankung ermöglichen als das alleinige Gesamtvolumen der Läsionen.