Bedeutsame Erkenntnisse aus der radiologischen Forschung

Entdecken Sie eine Sammlung von Zusammenfassungen kürzlich durchgeführter Studien, die aktuelle Themen wie strukturierte Befundung, Texturanalyse, Radiomics oder neue Imaging Biomarker beleuchten. Erfahren Sie, welche Rolle mint Lesion™ in diesen Studien gespielt hat, und kontaktieren Sie uns, wenn Sie Fragen zu unserer Softwareplattform haben.

Hier finden Sie eine detaillierte Liste wissenschaftlicher Publikationen, in denen mint Lesion™ eine wesentliche Rolle gespielt hat:

Zu den Publikationen

Universitätsklinikum Ulm: Pilotstudie zeigt Trennschärfe MRT-basierter 3D-Texturanalyse bei Knochenläsionen

Die Unterscheidung zwischen dem Enchondrom, einem benignen Tumor, und dem Chondrosarkom, einem malignen Tumor mit geringer Aggressivität, stellt oftmals eine Herausforderung dar, da die Läsionen sowohl histologisch als auch radiografisch eine hohe Ähnlichkeit aufweisen. Aufgrund der Tatsache, dass das Enchodrom nur eine regelmäßige Verlaufskontrolle erfordert, bei einem Chondrosarkom aber eine chirurgische Resektion erfolgen muss, ist eine Unterscheidung beider äußerst wichtig, wenn es um die Therapieentscheidung geht.

Dr. Catharina S. Lisson und weitere Kollegen verschiedener Abteilungen am Universitätsklinikum Ulm haben in ihrer Studie aufgezeigt, dass eine MRT-basierte Texturanalyse bei der Unterscheidung beider Entitäten helfen könnte [1]. „Ziel unserer Studie war es, Texturparameter zu identifizieren, die das Potenzial haben, als nicht-invasive Imaging Biomarker für die Charakterisierung des Chondrosarkoms zu fungieren“, erläuterten sie.

22 Patienten wurden nachträglich evaluiert: 11 Patienten mit einem Low-Grade-Chondrosarkom und 11 Patienten mit einem Enchondrom. Die Texturanalyse wurde auf vier MRT-Sequenzen in mint Lesion vorgenommen. Kurtosis, Entropie, Skewness, Mean of positive Pixels (MPP) und Uniformity of positive Pixel Distribution (UPP) wurden ermittelt und mit der Histopathologie in Korrelation gebracht.

Die Ergebnisse zeigen, dass deutliche Unterschiede bei vier von 20 Texturparametern in Bezug auf die verschiedenen MRT-Sequenzen gefunden wurden (p < 0,01). In den T1-gewichteten Serien mit Kontrastmittelgabe lagen die Werte für die Area under the curve (AUC) zur Unterscheidung von Chondrosarkom und Enchondrom bei 0,876 für Kurtosis und 0,826 für Skewness. In den T1-gewichteten Serien ohne Kontrastmittelgabe lagen die Werte bei 0,851 bei Entropie und 0,822 bei UPP. Die höchste Trennschärfe zeigte sich bei Kurtosis bei T1-gewichtet mit Kontrastmittel mit einer hohen Sensitivität (82%), Spezifizität (91%) und Genauigkeit (86%).

„Trotz vielversprechender Resultate aufkommender Studien, welche zeigen, wie gut die Texturanalyse für die Unterscheidung zwischen verschiedenen Tumortypen und -graden, Verlaufskontrollen und Vorhersagen von Resultaten geeignet ist, hat diese noch keinen Eingang in die klinische Routine gefunden“, so Dr. Lisson. „Wir hoffen, dass weitere Studien an größeren Patientenpopulationen unsere Beobachtungen bestätigen und so zu einem Wandel der aktuellen Indikation zur Biopsie und Resektion von Knochenläsionen führen werden.“

 

[1] Lisson, C.S., Lisson, C.G., Flosdorf, K. et al. Eur Radiol (2018) 28: 468. https://doi.org/10.1007/s00330-017-5014-6

Ähnliche Inhalte

Ähnliche Inhalte

Puzzleteile verbinden sich zu einem interoperablen System

FHIR im Gesundheitswesen: Das Potenzial der Interoperabilität

Im Gesundheitswesen ist die Interoperabilität ein wichtiger Wegbereiter: Interoperable Systeme ermöglichen die nahtlose Kommunikation von…

Drei wichtigen Sequenzen (FLAIR, T2, T1 mit Kontrastmittel) in der Glioblastom-Bewertung

Optimierung der Bildgebung bei Glioblastomen: Verbesserung der MRT-Effizienz und -Qualität durch Deep Learning

Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen bei Patient:innen mit Glioblastomen, mit dem Ziel, die…

Drei wichtigen Sequenzen (FLAIR, T2, T1 mit Kontrastmittel) in der Glioblastom-Bewertung

Universitätsklinikum Tübingen: Fortschritte in der Effizienz von MRT bei der Behandlung von Glioblastomen durch Deep Learning

Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen für Patient:innen mit Glioblastomen. Glioblastome, die…