Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Einleitung „Künstliche Intelligenz im Gesundheitswesen“ Read chapter Read first chapter

2022 | OriginalPaper | Chapter

30. Interpretation magnetresonanz-tomographischer (MRT) Daten mit KI

Author : Hans-Heino Ehricke

Published in: Künstliche Intelligenz im Gesundheitswesen

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Die rasante Entwicklung der Magnetresonanz-Tomografie sowie Fortschritte in der Verfügbarkeit leistungsfähiger Rechentechnik haben in den letzten Jahren neue Perspektiven für die Nutzung radiologischer Bilddaten als Biomarker eröffnet. Dadurch sind bildgestützte Verfahren möglich geworden, die Aussagen über den Krankheitsverlauf und die Wirkung verschiedener Therapieformen erlauben (Radiomics). Ausgehend von klassischen Methoden der Mustererkennung werden die Grundprinzipien und Einsatzmöglichkeiten der KI-basierten Bildinterpretation von MRT-Daten erläutert. Hierzu gehören einfache und fortgeschrittene Klassifikatoren, künstliche neuronale Netze, Convolutional Neural Networks sowie deren Verwendung für Radiomics Anwendungen.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Künstliche Intelligenz in der Radiologie und Strahlentherapie aus der Perspektive von Ärzten und Medizinphysikexperten – Eine Interviewstudie
next chapter Machine Learning in der Medizin: Was können Lernalgorithmen und wie sicher sind sie?
Footnotes
1
(MRI[Title/Abstract]) AND ((artificial intelligence[Title/Abstract]) OR (pattern recognition[Title/Abstract]) OR (artificial neural network[Title/Abstract]) OR (machine learning[Title/Abstract]) OR (computer vision[Title/Abstract]))
 
Literature
Abdolmaleki, P., Buadu, L. D., & Naderimansh, H. (2001). Feature extraction and classification of breast cancer on dynamic magnetic resonance imaging using artificial neural network. Cancer letters, 171(10), 183–191.CrossRef
Battineni, G., Chintalapudi, N., Amenta, F., & Traini, E. (2020). A Comprehensive machine-learning model applied to Magnetic Resonance Imaging (MRI) to Predict Alzheimer’s Disease (AD) in older subjects. Journal of Clinical Medicine, 9(7), 2146.CrossRef
Bien, N., Rajpurkar, P., Ball, R. L., Irvin, J., Park, A., Jones, E., & Lungren, M. P. (2018). Deep-learning-assisted diagnosis for knee magnetic resonance imaging: Development and retrospective validation of MRNet. PLoS Medicine, 5(11), 1–19.
Billot, B., Bocchetta, M., Todd, E., Dalca, A. V., Rohrer, J. D., & Iglesias, J. E. (2020). Automated segmentation of the hypothalamus and associated subunits in brain MRI. NeuroImage, 23(8), 117287.
Boer, R., Vrooman, H. A., Lijn, F., Vernooij, M. W., Ikram, M. A., Lugt, A., & Niessen, W. J. (2009). White matter lesion extension to automatic brain tissue segmentation on MRI. NeuroImage, 45(5), 1151–1161.CrossRef
Carré, A., Klausner, G., Edjlali, M., Lerousseau, M., Briend-Diop, J., Sun, R., & Robert, C. (2020). Standardization of brain MR images across machines and protocols: Bridging the gap for MRI-based radiomics. Scientific Reports, 10(1), 1–15.CrossRef
Ehricke, H.-H., & Laub, G. (1990). Gewebecharakterisierung in der dreidimensionalen Kernspintomographie mit Methoden der Texturanalyse. In G. H. Schneider, E. Vogler, & K. Kocever (Hrsg.), 6. Grazer Radiologisches Symposium (S. 502–506). Blackwell.
Haralick, R. M. (1979). Statistical and structural approaches to texture. Proceedings of the IEEE, 67(5), 786–804.CrossRef
Hu, Q., Whitney, H. M., & Giger, M. L. (2020a). A deep learning methodology for improved breast cancer diagnosis using multiparametric MRI. Scientific Reports, 10(1), 1–11.CrossRef
Hu, Q., Whitney, H. M., & Giger, M. L. (2020b). Radiomics methodology for breast cancer diagnosis using multiparametric magnetic resonance imaging. Journal of medical imaging, 7(4), 1–15.CrossRef
Lambin, P., Leijenaar, R. T., Deist, T. M., Peerlings, J., De Jong, E. E., & Van Timmeren, J. (2017). Radiomics: The bridge between medical imaging and personalized medicine. Nature reviews Clinical oncology, 14(12), 749–762.CrossRef
Lao, Z., Shen, D., Liu, D., Jawad, A. F., Melhem, E. R., Launer, L. J., & Davatzikos, C. (2008). Computer-assisted segmentation of white matter lesions in 3D MR images using support vector machine. Academic Radiology, 15(3), 300–313.CrossRef
Menhardt, W. (1990). MR tissue characterization using iconic fuzzy sets. In H. P. Higer & G. Bielke (Hrsg.), Tissue characterization in MR imaging (S. 145–148). Springer Verlag.CrossRef
Nagarajan, M. B., Huber, M. B., Schlossbauer, T., Leinsinger, G., Krol, A., & Wismüller, A. (2013). Classification of small lesions in breast MRI: Evaluating the role of dynamically extracted texture features through feature selection. Journal of Medical and Biological Engineering, 33(1), 59–68.CrossRef
Pisapia, J. M., Akbari, H., Rozycki, M., Thawani, J. P., Storm, P. B., & Avery, D. C. (2020). Predicting pediatric optic pathway glioma progression using advanced magnetic resonance image analysis and machine learning. Neuro-Oncology Advances, 2(8), 1–10.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In N. Navab, J. Hornegger, & A. F. Frangi (Hrsg.), Medical image computing and computer-assisted intervention – MICCAI 2015 (S. 234–241). Springer International Publishing.CrossRef
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(10), 533–536.CrossRef
Sachdeva, J., Kumar, V., Gupta, I., Khandelwal, N., & Ahuja, C. K. (2012). A dual neural network ensemble approach for multiclass brain tumor classification. International journal for numerical methods in biomedical engineering, 28(11), 1107–1120.CrossRef
Spinks, R., Magnotta, V. A., Andreasen, N. C., Albright, K. C., Ziebell, S., Nopoulos, P., & Cassell, M. (2002). Manual and automated measurement of the whole thalamus and mediodorsal nucleus using magnetic resonance imaging. NeuroImage, 17(2), 631–642.CrossRef
Steenwijk, M. D., Pouwels, P. J., Daams, M., Van Dalen, J. W., Caan, M. W., Richard, E., & Vrenken, H. (2013). Accurate white matter lesion segmentation by k nearest neighbor classification with tissue type priors (kNN-TTPs). NeuroImage: Clinical, 3, 462–469.
Wen, J., Thibeau-Sutre, E., Diaz-Melo, M., Samper-González, J., Routier, A., & Bottani, S. (2020). Convolutional neural networks for classification of Alzheimer’s disease: Overview and reproducible evaluation. Medical image analysis, 63(7), 101694.
Zhang, X., Fujita, H., Kanematsu, M., Zhou, X., Hara, T., Kato, H., & Hoshi, H. (2005). Improving the classification of cirrhotic liver by using texture features. In Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Shanghai, S. 867–870.
Zhen, S. H., Cheng, M., Tao, Y. B., Wang, Y. F., Juengpanich, S., Jiang, Z. Y., & Cai, X. J. (2020). Deep learning for accurate diagnosis of liver tumor based on magnetic resonance imaging and clinical data. Frontiers in Oncology, 10(5), 1–14.
Zhou, Z., Li, S., Qin, G., Folkert, M., Jiang, S., & Wang, J. (2019). Multi-objective-based radiomic feature selection for lesion malignancy classification. IEEE Journal of Biomedical and Health Informatics, 24(1), 194–204.CrossRef
Zhuang, X., Chen, C., Liu, Z., Zhang, L., Zhou, X., Cheng, M., & Wang, K. (2020). Multiparametric MRI-based radiomics analysis for the prediction of breast tumor regression patterns after neoadjuvant chemotherapy. Translational oncology, 13(11), 100831.
Metadata
Title
Interpretation magnetresonanz-tomographischer (MRT) Daten mit KI
Author
Hans-Heino Ehricke
Copyright Year
2022
Book
Künstliche Intelligenz im Gesundheitswesen

Print ISBN: 978-3-658-33596-0

Electronic ISBN: 978-3-658-33597-7

Copyright Year: 2022

DOI
https://doi.org/10.1007/978-3-658-33597-7_30