Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 105. Deutscher Röntgenkongress und 10. Gemeinsamer Kongress von DRG und ÖRG und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion
Jetzt buchen

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

RadiSSO-Login

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Jetzt teilnehmen

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

Login

PO 201

Neuro

Neuro
Donnerstag, 9. Mai 2024 · 11:00 bis 11:35 Uhr
9
Mai

Donnerstag, 9. Mai 2024

11:00 bis 11:35 Uhr · Raum: ePoster-Station  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Poster-Session
Thema
Neuroradiologie
Zielgruppe
Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss., MTR, Studenten

Zertifizierungen

Der RÖKO WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Informationen

Moderation
Sarah Schläger (München)

Ablauf

11:00 - 11:03

Vortrag (Poster)

Determination of antibodies in autoimmune encephalitis diseases using machine learning

Manfred Musigmann (Münster)

weitere Autoren

Christine Spiekers (Münster) / Jacob Stake (Münster) / Walter Heindel (Münster) / Manoj Mannil (Münster)

Zielsetzung

Our aim is to predict the antibody status of patients with autoimmune encephalitis in a fully automated, non-invasive way using machine learning. For this purpose, radiomics-based machine learning models are developed on the basis of the patient's MRI images.

Material und Methoden

Our study cohort consists of 98 patients with autoimmune encephalitis and known antibody status. Antibodies were previously detected in 57 of the 98 patients, and no antibodies were detected in the remaining 41 patients. We extracted 107 radiomic factors from the corresponding MRI images and tested a total of 6 different machine learning algorithms. Specifically, we used the Random forest algorithm, Naive Bayes, linear discriminant analysis (LDA), lasso regression, ridge regression and a neural network to predict antibody status. Each model was developed 100 times with new training data and subsequently tested each time with new independent test data in order to accurately assess the stability of the model results.

Ergebnisse

Our results show that antibody status in patients with autoimmune encephalitis can be determined with high accuracy using machine learning algorithms based on MRI images. We obtained our best results with a lasso regression. Using independent test data, our 6-feature model yielded a mean AUC of 95.0%, a mean accuracy of 89.2%, a mean sensitivity of 89.2% and a mean specificity of 89.1%. Further algorithms, such as the neural network we tested, also resulted in high discriminatory power. Thus, our machine learning models show very high and stable performance in predicting antibody status in autoimmune encephalitis diseases, i.e. in distinguishing patients with detectable and undetectable antibodies.

Schlussfolgerungen

Antibody status in patients with autoimmune encephalitis can be determined non-invasively and fully automatically with high accuracy using machine learning algorithms.
11:03 - 11:06

Vortrag (Poster)

Fortschritte bei der Beurteilung neurodegenerativer Erkrankungen in der F18-FDG-PET/MR durch Kombination mit Arterial Spin Labeling und Diffusions-Tensor-Bildgebung

Joachim Strobel (Ulm)

Zielsetzung

Entwicklung einer methodischen Integration der gleichzeitigen Anwendung von 18F-FDG-PET, ASL und DTI bei Patienten mit neurodegenerativen Erkrankungen und Vergleich der quantitativen Ergebnisse mit gesunden Kontrollen (HC).

Material und Methoden

64 Patienten mit verschiedenen neurodegenerativen Erkrankungen (AD, ALS, bvFTD, PPA) und 13 gesunden Kontrollpersonen wurden in einer 3T PET/MRI-Untersuchung gescannt. Wir optimierten die ASL-Sequenz, um den besten Post-Labeling-Delay (PLD) zu finden. Anschließend verglichen wir die Signal-Rausch-Verhältnisse und erstellten zerebralen Blutflusskarten. Die Datenanalyse wurde mithilfe von Statistical Parametric Mapping (SPM) und einer speziellen Software namens Tensor Imaging and Fiber Tracking (TIFT) durchgeführt, die für DTI entwickelt und für PET und ASL erweitert wurde.

Ergebnisse

Die optimale PLD von 1500 ms wurde gewählt, basierend auf einem hohen SNR. Ein 6-mm-FWHM-Filter ermöglichte eine >60 %ige Überlappung zwischen ASL-CBF- und FDG-PET-Daten, wobei diese Überlappung weiter stieg, wenn die Basalganglien ausgeschlossen wurden. Bei Vergleichen von PET- und ASL-Karten zeigte sich eine starke räumliche Übereinstimmung für pathologische Veränderungen bei AD und bvFTD. Dies ging mit DTI-Anomalien einher, wie parasagittalen bifrontalen Veränderungen in ASL und PET sowie kortiko-striatalen Anomalien in DTI bei bvFTD. Zusätzlich wiesen ASL und DTI Abweichungen von PET auf, insbesondere in den kortikospinalen Bahnen, die bei ALS-Patienten nicht eindeutig durch PET dargestellt wurden.

Schlussfolgerungen

Die vorgestellte Methode ermöglicht die gleichzeitige Analyse von PET/ASL und PET/DTI in einer Sitzung. Diese Integration könnte die bildbasierte Charakterisierung von neurodegenerativen Erkrankungen wie AD, ALS und bvFTD bereichern. Die Übereinstimmung zwischen ASL-Perfusion und FDG-PET-Stoffwechsel legt nahe, dass ASL FDG-PET in der Zukunft ersetzen könnte, jedoch bedarf es weiterer prospektiver Studien zur Bestätigung.
11:06 - 11:09

Vortrag (Poster)

Risikogruppierung von Hirnmetastasen anhand der peritumoralen Zone: ein Vergleich von „bottom-up"- und „top-down"-Radiomics-Ansätzen

Lucca Scheuermeyer (Regensburg)

weitere Autoren

Quirin Strotzer (Regensburg) / Ekaterina Noeva (Regensburg) / Pia Angstwurm (Regensburg) / Isabel Wiesinger (Regensburg) / Andreas Schicho (Regensburg) / Katharina Rosengarth (Regensburg) / Christina Wendl (Regensburg)

Zielsetzung

Im Rahmen dieses Projektes wurde untersucht, ob die Radiomics-Signatur der peritumoralen Zone (PTZ) von Hirnmetastasen im MRT eine Stratifizierung hinsichtlich des Gesamtüberlebens zulässt. Dabei wurde ein auf der Modellierung visuell definierter Wachstumstypen basierender „bottom-up“-Ansatz (BU) der Feature-Selektion mit dem konventionellen „top-down“-Vorgehen (TD) der Reduktion eines hochdimensionalen Feature-Raums verglichen.

Material und Methoden

Für diese retrospektive Studie wurden die klinischen Daten sowie 2D T1+KM-Aufnahmen von 208 Patient:Innen mit min. einer histologisch gesicherten Hirnmetastase innerhalb eines multi-zentrischen Datensatzes analysiert. Die Bilddaten wurden in Python vorverarbeitet und die PTZ mithilfe eines U-Nets semi-manuell segmentiert. Es wurden vier kanten- und texturbeschreibende BU-Features berechnet, im TD-Ansatz wurden 864 Features bestimmt. In beiden Ansätzen wurden die Fälle mittels unsupervidierter k-means-Analyse in zwei Gruppen geteilt, wobei der TD-Feature-Raum zuerst unter Optimierung der Trennbarkeit algorithmisch reduziert wurde. Diese Cluster wurden auf Unterschiede im Gesamtüberleben getestet.

Ergebnisse

Univariate Kaplan-Meier Analysen ergaben für die BU-Gruppierung einen im Log-Rank-Test hypothesenkonformen signifikanten Unterschied (p < 0.001). Die TD-Cluster unterschieden sich nicht signifikant (p = 0.26). Multivariate Cox-Modelle zeigten unter Einbezug klinischer Faktoren ausschließlich für die BU-Cluster ein signifikantes Hazard-Ratio (HR = 0.58, 95%-KI: 0.39-0.84, p < 0.005).

Schlussfolgerungen

Im Gegensatz zum konventionellen TD-Ansatz konnte mit dem BU-Vorgehen eine signifikante Risikostratifizierung anhand des Radiomics-Phänotyps der PTZ von Hirnmetastasen vorgenommen werden. Die Resultate betonen die klinische Relevanz der Wachstumsmorphologie und zeigen das Potenzial der Kombination von Expertenwissen und datengetriebenen Analysen. Damit kann dieser Ansatz zu einer höheren Erklärbarkeit von Prognose-Modellen mittels Radiomics beitragen.
11:12 - 11:15

Vortrag (Poster)

Untersuchung der Amid-Protonen-Transfer-(APT-)gewichteten Bildgebung bei Hirntumoren mit einem neuartigen Fluid-Suppression-Ansatz

Inga Krause

weitere Autoren

Thomas Zeyen (Bonn) / Christina Schaub (Bonn) / Jochen Keupp (Hamburg) / Christoph Katemann (Hamburg) / Matthias Schneider (Bonn) / Ulrich Herrlinger (Bonn) / Alexander Radbruch (Bonn) / Daniel Paech (Bonn)

Zielsetzung

Reduktion von Hyperintensitäten bei der Amid-Protonen-Transfer-Bildgebung (APTw) in Arealen mit gelösten Proteinen und Blut, um die Bildinterpretation von Hirntumoren zu erleichtern

Material und Methoden

54 Patient*innen mit V.a. hochgradigen hirneigenen Tumor, Hirnmetastase oder Meningeom erhielten eine prätherapeutische MRT-Aufnahme bei 3T. Sie umfasste Standard-APTw- und flüssigkeitsunterdrückte APTw-Aufnahmen (APTw,FS), eine modifizierte Ableitung von APTw-Bildern mithilfe der MTR-Asymmetrieanalyse (MTRasym), die durch die Summe der gemessenen MTR-Werte skaliert wird (Keupp J, Togao O. ISMRM 2018;3156):

APTw,FS=MTRasym,FS=(MTR[+3.5ppm]-MTR[-3.5ppm])×(MTR[3.5ppm]+MTR[-3.5ppm])

mit [∆ω]=1-(S[∆ω]/S0) (S[∆ω]: Signal beim Sättigungsfrequenz-Offset ∆ω; S0: Signal ohne Sättigung). Im soliden Hirngewebe ist MTR[3.5ppm]+MTR[-3.5ppm]≈0.5+0.5=1.0, das APTw-Signal bleibt unverändert. In Gewebe mit hohem Flüssigkeitsgehalt ist MTR[±3,5ppm]≈0, das APTw-Signal wird stark unterdrückt. Die Signalintensitäten der APTw,FS- und APTw-Bilder wurden mit gepaarten t-Tests bei kontrastverstärkten Arealen (CE), zentraler Nekrose und peritumoraler T2-FLAIR-Signalerhöhung (Ödem) verglichen. Die Segmentierung erfolgte auf gadoliniumverstärkten T1w- und T2-FLAIR-Bildern.

Ergebnisse

Die Histopathologie ergab 19 Glioblastome, 22 Metastasen und 13 Meningeome. Das APTw-Signal war bei APTw,FS verringert in Metastasen (CE APTw,FS 2,19±0,93 vs. APTw 2,29±0,98, p=0,0084; Nekrose APTw,FS 2,36±1,02 vs. APTw 2,83±1,56, p=0,049; Ödem APTw,FS 1,41±0,59 vs. APTw 1,43±0,60, p=0,025), Glioblastomen (CE APTw,FS 2,36±0,79 vs. APTw 2,44±0,78, p=0,054; Nekrose APTw,FS 2,66±0,75 vs. APTw 3,02±0,90, p=0,021; Ödem APTw,FS 1,37±0,47 vs. APTw 1,38±0,46, p=0,0061) und Meningeomen (CE APTw,FS 2,23±0,60 vs. APTw 2,29±0,61, p=0,054; Ödem APTw,FS 1,03±0,44 vs. APTw 1,03±0,44, p=0,11).

Schlussfolgerungen

Die Ergebnisse der laufenden Studie zeigen, dass die APTw,FS-Bildgebung das APTw-Signal von gelösten Proteinen und Blut in verschiedenen Arten von Hirntumoren reduziert.
11:15 - 11:18

Vortrag (Poster)

Comparison of the 2016 and 2021 WHO classifications for astrocytomas using radiomic-based machine learning

Manfred Musigmann (Münster)

weitere Autoren

Melike Bilgin (Münster) / Sabriye Bilgin (Münster) / Thomas Sartoretti (Zürich) / Walter Stummer (Münster) / Walter Heindel (Münster) / Manoj Mannil (Münster)

Zielsetzung

Our aim is to predict the WHO grade of astrocytomas using radiomics based on CT images. Using machine learning algorithms, we distinguish between WHO grade II and III astrocytomas with respect to the 2016 WHO classification and determine the IDH mutation status, which is the most important marker with respect to the current (2021) WHO classification. Subsequently, we compare the two models with regard to their similarities and differences.

Material und Methoden

The cohort used for our retrospective IRB-approved study includes CT images of 190 patients with histologically confirmed astrocytomas. A total of 107 radiomic features were extracted by hand-delineated regions of interest (ROI) from the CT images of each patient. We are testing different machine learning algorithms, such as lasso regression and a neural network. In a sub-analysis, we investigate the influence of the administration of a contrast agent on the prognostic quality of our models.

Ergebnisse

Using independent test data, we achieved an AUC (area under the curve) of 90.8 % in distinguishing WHO grade II and III astrocytomas and an AUC of 83.2 % in predicting IDH mutation status. Our machine learning models correctly predicted WHO grade (II or III) in 86.1% of cases (accuracy) and IDH mutation status in 80.7% of cases. We found that the prediction error of our models depends somewhat on the WHO grade. Overall, however, the prediction errors are small. Remarkably, the prediction error rate based on the native CT images is only slightly higher than the prediction error rate based on the contrast-enhanced CT images. However, especially for WHO grade III astrocytomas, the contrast agent generates added value.

Schlussfolgerungen

Our approach shows that astrocytomas of different grades can be reliably distinguished according to both the 2016 WHO classification and the 2021 WHO classification using machine learning algorithms and only a few radiomic features. Many of the features included in the models are relevant for both classifications.
11:18 - 11:35

Diskussion

Diskussion

Runlog

Öffnen