Fortschritte in der Technologie, insbesondere im Bereich der KI, können die ständig wachsende Arbeitsbelastung der Radiologen von heute erheblich erleichtern. Wir sind ständig bestrebt, das Beste aus den unzähligen Möglichkeiten der KI herauszuholen. Daher sind wir dabei, mit verschiedenen Partnern mehrere KI-Elemente in mint Lesion™ einzubauen. Ein Beispiel dafür ist eine kommende Anbindung, mit der es möglich sein wird, die Prostata in MR-T2-gewichteten Bildern automatisch zu erkennen und in 3D zu segmentieren.
Die neue Prostate.Carcinoma.ai Anbindung unseres Partners FUSE-AI wird das Prostatascreening nach PI-RADS 2.1 vereinfachen und beschleunigen. Auf Knopfdruck wird innerhalb von mint Lesion™ eine vollständige Segmentierung der Prostata berechnet, einschließlich der Feststellung von gutartigen oder bösartigen Läsionen. Durch die Verwendung der automatisch berechneten Volumensegmentierung der Prostata ordnet mint Lesion™ Läsionen automatisch dem Prostata-Läsionsschema zu, wodurch manuelle Zeichnungen überflüssig werden.
In der frühen Entwicklungsphase wurde die Anbindung Dr. Alexander Cornelius und seinem Team am Kantonsspital Aarau zum Testen und für Benutzerfeedback zur Verfügung gestellt. Dr. Cornelius erklärt: "KI in der Radiologie ist die logische Konsequenz aus den Entwicklungen der letzten Jahre, um ein neues Niveau der medizinischen und klinischen Versorgung zu erreichen. Für mich waren schon die ersten Ergebnisse der Prostate.Carcinoma.ai Anbindung in mint Lesion™ eine deutliche Verbesserung!"
Mit KI und automatischer Segmentierung gegen Prostatakrebs
Ähnliche Inhalte
Ähnliche Inhalte
RACOON FADEN: Pionierarbeit zur Früherkennung von Adenomyose – Einblicke von Prof. Mechsner (Charité Berlin) und Prof. May (Universitätsklinikum Erlangen)
Die Adenomyose ist eine gynäkologische Erkrankung der Gebärmutter und eine Form der Endometriose. Etwa 10 Prozent der Frauen im fruchtbaren Alter sind…
Förderung des föderierten Lernens in der Radiologie in der Praxis
Federated Learning (FL) ermöglicht kollaboratives Modelltraining ohne Datenzentralisierung - ein entscheidender Aspekt für die radiologische…
RACOON: Ein Leitfaden zur Überbrückung der Kluft zwischen simulierter und realer Forschung im Bereich des föderalen Lernens
Deep Learning (DL) ist ein wichtiger Bestandteil der radiologischen Bildanalyse geworden. Um diese Deep-Learning-Modelle zu trainieren, ist der Zugang…