80 Arbeiten
Die Studie stellt DBT-2026 vor, einen öffentlich zugänglichen, anonymisierten Datensatz mit 558 digitalen Tomosynthese-Untersuchungen, Biopsie-Ergebnissen und klinischen Berichten, der die Forschung zur Brustkrebsdiagnostik fördern soll.
Die Studie stellt BUDAPEST, einen schnellen und zuverlässigen Bayesianischen Algorithmus mit einer Open-Source-GUI, zur effizienten und präzisen Schätzung der motorischen TMS-Schwellenwerte vor, der in Simulationen und menschlichen Daten eine hohe Genauigkeit bei reduzierter Stimulationsanzahl und guter Test-Retest-Reliabilität demonstriert.
Die Studie zeigt, dass zwischen den GE Healthcare Prodigy- und iDXA-Densitometern eine hervorragende Übereinstimmung und vergleichbare Präzision bei der 3D-DXA-Messung von kortikalen und trabekulären Knochenparametern besteht, sodass keine Anpassungen der 3D-Shaper-Software erforderlich sind.
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.
Die Studie stellt ein automatisiertes 3D-Deep-Learning-Framework vor, das die präzise Segmentierung von 20 einzelnen Hüft- und Oberschenkelmuskeln in UK-Biobank-MRT-Daten ermöglicht und dabei geschlechtsspezifische Unterschiede sowie metabolische Risikoprofile bei der Muskelalterung und bei Typ-2-Diabetes aufdeckt.
Diese Arbeit stellt ein automatisches Deep-Learning-Modell zur Segmentierung von 19 metabolisch relevanten Fettgewebekompartimenten und ektopischen Fettdepots aus Ganzkörper-Dixon-MRT-Bildern vor, das zusammen mit öffentlichen Nachverarbeitungs-Tools zur Quantifizierung von Fettvolumina und -anteilen bereitgestellt wird.
Die Studie zeigt, dass chronische sportbedingte leichte Schädel-Hirn-Traumata bei jungen Erwachsenen geschlechtsspezifische strukturelle Hirnveränderungen hervorrufen, wobei bei Männern eine verdickte kortikale Schicht im oberen Scheitellappen mit Aufmerksamkeitsdefiziten und bei Frauen eine höhere fraktionale Anisotropie im superior-fronto-okzipitalen Fasciculus mit reduzierter Hyperaktivität assoziiert sind.
Diese Studie zeigt, dass durch den Transfer von Kontrastmittel-basierten Segmentierungslabels auf nicht-kontrastverstärkte MRT-Bilder eine präzise und gut kalibrierte Nierenvolumetrie ermöglicht wird, obwohl die Volumenbestimmung einzelner Kompartimente systematische Verzerrungen aufweist und die Oberflächenmessung aufgrund von Grenzflächenunsicherheiten weiterhin herausfordernd bleibt.
Die Studie zeigt, dass eine vollautomatisierte CT-basierte Segmentierung der Nierenkompartimente reproduzierbare Volumetrie-Biomarker liefert, die signifikant mit der globalen und split Nierenfunktion bei Lebendspendern korrelieren und somit potenziell für die Spenderbewertung nutzbar sind.
Diese Pilotstudie zeigt, dass ein autonomer, von einem großen Sprachmodell (LLM) orchestrierter KI-Agent den gesamten Workflow der PET/CT-Interpretation von Rohdaten bis zum strukturierten Bericht in realen klinischen Szenarien erfolgreich automatisieren kann, wobei zwar die Primärtumorerkennung zuverlässig ist, die Beurteilung von Lymphknoten und Metastasen jedoch weiterhin menschliche Expertise erfordert.
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.
Die Studie zeigt, dass die normalisierte Signalintensität in der dynamischen Kontrastmittel-MRT des Karotiden-Plaquematerials reproduzierbar höher ist als in der gesunden Gefäßwand, sich jedoch über sechs Monate weder spontan noch durch eine Kolkizin-Behandlung verändert.
Die Studie zeigt, dass für die KI-gestützte Segmentierung der gesamten Leber hoch kuratierte Datensätze mit deutlich weniger Scans eine vergleichbare Leistung erzielen wie um eine Größenordnung größere, gemischt kuratierte Datensätze, wobei größere Mengen jedoch die Generalisierbarkeit verbessern können.
Diese Studie zeigt, dass eine optimierte 7T-MRT mit stark T2-gewichteten Sequenzen die Detektion und Quantifizierung von perivaskulären Räumen an der Grau-Weiß-Matter-Grenze im gesunden Gehirn ermöglicht und damit neue Wege für die Erforschung neurologischer Erkrankungen eröffnet.
Die Studie zeigt, dass Augentropfen mit O-17-markiertem Wasser nicht nur in die vordere Kammer, sondern auch in den Liquor cerebrospinalis entlang des Sehnervs eindringen, was auf einen bisher wenig verstandenen Abflussweg des Kammerwassers über das optische Glymphatische System hindeutet.
Diese Studie vergleicht Radiomics, kontrastives Lernen und tiefe Convolutional Neural Networks zur Vorhersage des EGFR-Mutationsstatus bei nicht-kleinzelligem Lungenkrebs und zeigt, dass ein kombiniertes Modell aus Radiomics und klinischen Merkmalen die beste Leistung erzielt, während gleichzeitig die Herausforderungen und das Potenzial der klinischen Translation diskutiert werden.
Die Studie vergleicht drei Bewertungsmethoden für Deep-Learning-Super-Resolution bei kleinen menschlichen Gehirn-MRT-Datensätzen und kommt zu dem Schluss, dass die k-fache Kreuzvalidierung den besten Kompromiss zwischen Genauigkeit, Stabilität und Recheneffizienz bietet.
Die Studie stellt einen neuen Ansatz vor, der kontrastive Hauptkomponentenanalyse (cPCA) nutzt, um aus komplexen und verrauschten MRSI-Daten neurometabolische Signaturen von Multipler-Sklerose-Läsionen zu extrahieren und so eine klinisch relevante Interpretation zu ermöglichen.