AvicennaICH

Akute Hirnblutungen: Emergency Radiology bekommt AI-Unterstützung

Native CT des Neurokraniums eines 46-jährigen Patienten nach einem Hochrasanz-Trauma. Es besteht eine akute Subduralblutung entlang der rechten frontalen und parietalen Hemisphäre (links). Sie ist insbesondere frontal von einem beginnenden Ödem umgeben und man sieht eine geringe Verlagerung der Mittellinie nach kontralateral. Man sieht keine intraventrikuläre Blutung. Es besteht kein Hinweis auf eine parafalcine Herniation.

CINA-ICH erkennt die intrakranielle Hämorrhagie korrekt und in vollem Ausmaß (Mitte). Das Blutungsvolumen wird innerhalb der CT-Serie und auch tabellarisch angegeben (nicht gezeigt). Der geringe Shift der Mittellinie nach kontralateral wird exakt vermessen (rechts).

Time is Health: Unser Motto wird insbesondere verständlich, wenn es um Schädelverletzungen und Schlaganfälle geht. Jede medizinische Akutstation weiss, was es heisst, rund um die Uhr eine Vielzahl an Patienten mit der besten diagnostischen Präzision zu begleiten. Intrakranielle Akutpathologien müssen rasch und sicher visualisiert werden.  

Mit grosser Freude präsentieren wir Ihnen CINA-ICH, einen AI-Assistenten für die Erkennung intrakranieller Blutungen in CT-Studien.

Warum CINA-ICH bedeutend ist und wie es arbeitet

CINA-ICH wurde als Triage-Tool für den radiologischen Akutbetrieb entwickelt. Der AI-Assistent berichtet umgehend den Verdacht auf intrakranielle Blutungen in CT-Untersuchungen und ermöglicht die Priorisierung dieser Patienten. Der AI-Assistent verschafft Radiologen und Akutmedizinern eine herausragende Darstellung der Befunde in Wort und Bild.

Jeder Mediziner kann CINA-ICH für jeden einzelnen Notfallpatienten durch den raschen und einfachen Upload von CT-Studien des Neurokraniums auf Radailogy einsetzen. In medizinischen Institutionen kann dieser AI-Assistent seine Arbeit auch automatisch im Hintergrund verrichten, um das gewünschte Triage-Potential vollständig auszunützen.

Wer profitiert

Die Triage des Schädel-Hirntraumas und hämorrhagischer Schlaganfälle ist für alle Beteiligten, also für Patienten, Kliniker und Radiologen, essentiell.

Unsere eigene Erfahrung bei Radailogy

Wir konnten die Performance von CINA-ICH in ausführlichen Testreihen eingehend studieren. Uns überzeugten einerseits die rasche und klare Befunddarstellung und andererseits die geringe Falsch-Negativ- und Falsch-Positiv-Raten in der Erkennung intrakranieller Blutungen. Dies deckt sich mit den vom Entwickler angegebenen statistischen Daten der Sensitivität und Spezifität von jeweils mehr als 90%, gemessen an den Gesamtkohorten.

Die Ergebnisse werden ausführlich berichtet. Blutungen werden in axialen CT-Volumina eingezeichnet. Zudem werden die Daten in tabellarischer Form aufgearbeitet und beinhalten die parenchymalen, sub- und epiduralen, subarachnoidalen sowie intraventrikulären Blutungsvolumina. Zusätzlich werden Midline shifts vermessen.

Der Hersteller beschreibt als mögliche Falsch-negativ-Erkennung kleinste Blutungen von weniger als 3 ml Volumen und nicht akute Hämorrhagien. Wir bei Radailogy haben in unseren klinischen Tests keine übersehenen Blutungen beobachtet.

Wir evaluierten CINA-ICH auch zusammen mit den zwei weitere AI-Assistenten, CINA-ASPECTS and CINA-LVO, welche zur Erkennung nicht-hämorrhagischer Schlaganfälle in CT-Studien entwickelt wurden. Finden Sie mehr dazu in unseren AI-Assistenten!   

Die wissenschaftliche Evidenz

McLouth J, Elstrott S, Chaibi Y, Quenet S, Chang PD, Chow DS, Soun JE. Validation of a Deep Learning Tool in the Detection of Intracranial Hemorrhage and Large Vessel Occlusion. Front Neurol. 2021 Apr 29;12:656112.

Rava RA, Seymour SE, LaQue ME, Peterson BA, Snyder KV, Mokin M, Waqas M, Hoi Y, Davies JM, Levy EI, Siddiqui AH, Ionita CN. Assessment of an Artificial Intelligence Algorithm for Detection of Intracranial Hemorrhage. World Neurosurg. 2021 Jun;150:e2 09 e217.

Daten zum Upload auf Radailogy

Native CT-Studien des Neurokraniums jeden CT- Geräteherstellers, axiale Reformationen, Matrixgröße mindestens 256 x 256; Schichtdicke höchstens 5 mm, Röhrenspannung 100 kVp bis 160 kVp (empfohlen 120 kVp bis 140 kVp), Weichteil-Rekonstruktionskernel

BoneviewMeasurements blog

Automatisierte Vermessung von Körperachsen auf Röntgenbildern

Radiographie beider Vorfüsse eines 44-jährigen Patienten a.p. Links (im Bild rechts) besteht eine deutliche Hallux valgus-Fehlstellung mit einer Vergrösserung des MTP-Gelenkwinkels I und des interdigitalen Winkels I/II. Es besteht eine gering ausgeprägte Sekundärarthrose des MTP-Gelenks I. Eine mäßig ausgeprägte Arthrose findet sich im MTP-Gelenk II. Entlang der Lisfranc‘schen und der Chopart‘schen Gelenklinie besteht ein normaler Befund, abgesehen von einem kleinen Os tibiale externum als Normvariante.

Rechts (im Bild links) besteht ein normaler Befund des Vorfußes, offenbar bei einem Zustand nach Osteomie des Os metatarsale I.

BoneView Measurments ermöglicht die präzise Berechnung der Gelenkwinkel und unterstützt mit den eingezeichneten Winkelmassen die radiologische Diagnose.

Die Vermessung von Körperachsen ist eine der unverzichtbaren Domänen der Radiologie. Sie stellt gleichzeitig einen hohen Anspruch an die präzise Beschreibung der Messwerte dar und damit an die verfügbare Arbeitszeit der Radiologen dar.

Mit grosser Freude präsentieren wir Ihnen BoneView Measurements, einen AI-Assistenten für die automatisierte Vermessung von Körperachsen auf Röntgenbildern.

Warum BoneView Measurments bedeutend ist und wie es arbeitet

BoneView Measurements ist ein vollautomatisierter AI-Assistent für die Vermessung von Körperachsen. Mit seiner Anwendung wird die Variabilität der Messergebnisse minimiert und die Reproduzierbarkeit sichergestellt. Der AI-Assistent erleichtert die Interpretation der Befunde dank ihres leicht ablesbaren Displays.

Wer profitiert

Patienten, Kliniker und Radiologen durch die detaillierte Vermessung von Körperachsen auf Röntgenbildern. BoneView Measurements kann auch sicher und einfach in den täglichen Workflow integriert werden.

Unsere eigene Erfahrung bei Radailogy

Die Vermessungen funktionieren hervorragend für die Wirbelsäule, das Becken, die Hüften, für Ganzbeinaufnahmen und Vorfüsse.

Jedem Mediziner wird es für jeden einzelnen Patienten durch den raschen und einfachen Upload auf Radailogy ermöglicht, die Vermessung von Körperachsen anzufordern. Unsere Kunden in der Telemedizin verwenden BoneView Measurements auch als Standard in der täglichen Praxis, um ihren Workflow zu optimieren.

Die wissenschaftliche Evidenz

Lassalle L, Regnard NE, Ventre J, Marty V, Clovis L, Zhang Z, Guermazi A, Laredo JD. Automated feet measurements using an artificial intelligence-based software. In press

Lassalle L, Regnard NE, Ventre J, Marty V, Clovis L, Zhang Z, Guermazi A, Laredo JD. Automated full-leg measurements using an artificial intelligence-based software. In press

Lassalle L, Regnard NE, Tran A, Ventre J, Marty V, Clovis L, Zhang Z, Guermazi A, Laredo JD. Automated hip measurements using an artificial intelligence-based software. In press

Daten zum Upload auf Radailogy

Digitalradiographie der Wirbelsäule, des Beckens, der Hüften, von Ganzbeinaufnahmen und der Vorfüsse ab drei Jahren, je nach anatomischer Region

bone age 1

AI für die präzise Diagnose des Knochenalters

Radiographie der linken Hand a.p. eines Buben mit dem chronologischen Alter von neun Jahren und drei Monaten. BoneView Bone Age berechnet das Knochenalter nach der Greulich & Pyle-Atlasmethode mit sieben Jahren und zehn Monaten, Standardabweichung 10,74 Monate.

Die Bestimmung des Knochenalters ist eine der unverzichtbaren Domänen der Radiologie. Sie stellt gleichzeitig einen hohen Anspruch an die eindeutige Beschreibung der Messwerte.

Mit grosser Freude präsentieren wir Ihnen BoneView Bone Age, einen AI-Assistenten für die pädiatrische Bestimmung des Knochenalters mit Radiographien der Hand.

Warum BoneView Bone Age bedeutend ist und wie es arbeitet

BoneView Bone Age ist ein AI-Assistent für die pädiatrische Bestimmung des Knochenalters nach der Greulich & Pyle-Atlasmethode für die Altersgruppe von drei bis 17 Jahren. Es wird das chronologische Alter mit den AI-Messdaten verglichen. Zusätzlich wird die Standardabweichung in Monaten angegeben.

Weltweit ist es jedem Mediziner jederzeit möglich, die Analyse des Knochenalters durch den raschen und einfachen Upload von Radiographien der Hände auf Radailogy anzufordern. BoneView Bone Age bietet den Komfort und die Effizienz, radiologische Arbeitsabläufe zu vereinfachen.

Wer profitiert

Patienten, Kliniker und Radiologen durch die präzise Diagnose des Knochenalters.

Unsere eigene Erfahrung bei Radailogy

Wir stellten fest, dass die Schätzungen von BoneView Bone Age präzise sind und unsere eigenen radiologischen Befunde sinnvoll unterstützen. Wir beobachteten mit der Integration von BoneView Bone Age eine sehr zufrieden stellende Inter- und Intravariabilität.

Für die Bestimmung des Knochenalters ab 18 Jahren ist der AI-Assistent derzeit nicht geeignet und wir warten auf die AI zur Evaluierung der Sternoclaviculargelenke mit der Computertomographie.

Die wissenschaftliche Evidenz

Nguyen T, Pourchot A, Marty V, Ventre J, Regnard NE. Deep learning algorithm to predict Greulich and Pyle bone age. ESPR 2022 (June).

Daten zum Upload auf Radailogy

Digitalradiographie der Hand a.p. für die Altersgruppe von drei bis 17 Jahren. Bitte laden Sie für Ihre BoneView Bone Age-Bestellung nur eine Radiographie der Hand a.p. hoch und kombinieren Sie BoneView Bone Age nicht mit einem anderen AI-Assistenten innerhalb derselben Bestellung!

BoneviewTrauma blog

Umfassende AI-Frakturdiagnostik des peripheren Skeletts

Radiographien linken Sprunggelenks einer 52-jährigen Patientin a.p. (links) und seitlich (Mitte rechts) mit Schmerzen nach einem Sturz. BoneView Trauma erkennt die nicht verschobene, längs verlaufende Fraktur der distalen Fibula korrekt (Mitte links und rechts, gelbe gestrichelte Kästen). Zusätzlich wird der Gelenkerguss in der Seitaufnahme korrekt berichtet (rechts, gelber Kasten).

Die Röntgenaufnahmen des peripheren Skeletts zählen zu den häufigsten und wichtigsten diagnostischen Methoden für Arztpraxen, medizinische Institute und Krankenhäuser. Gleichzeitig nehmen sie einen großen Teil der verfügbaren Arbeitszeit von Radiologen in Anspruch, insbesondere weil im Durchschnitt nur etwa 10 % aller Röntgenaufnahmen akute Pathologien zeigen.

Mit grosser Freude präsentieren wir Ihnen BoneView Trauma, einen AI-Assistenten für die Frakturerkennung auf Röntgenbildern.

Warum BoneView Trauma bedeutend ist und wie es arbeitet.

BoneView Trauma erkennt traumatische Läsionen auf Röntgenaufnahmen. Die AI-Diagnosen sind für alle Patienten zu jeder Tageszeit verfügbar und bieten gleichzeitig den Komfort und die Effizienz, Arbeitsabläufe zu optimieren. Erkannt werden Frakturen, Ergüsse, Dislokationen, Luxationen und maligne Knochenläsionen. Diese Pathologien werden sofort nach der Aufnahme der Röntgenbilder erkannt, noch bevor der Radiologe die Studien selbst gesehen hat. Diese Patienten können entsprechend priorisiert, diagnostiziert und behandelt werden.

Wer profitiert

Patienten, Kliniker und Radiologen durch eine detailliertere und genauere Diagnose und der verringerten Wahrscheinlichkeit einer verpassten Therapie.

Unsere eigene Erfahrung bei Radailogy

Die hohe True positive-Rate von BoneView Trauma überzeugt uns. Auch zweifelhafte bzw. grenzwertige Pathologien werden als solche berichtet. Insbesondere die Erkennung von Gelenkergüssen ist derzeit einzigartig. Die übersichtliche Darstellung der Pathologien in Wort und Bild unterstützt den radiologischen Wissenstransfer an Zuweiser und Patienten.

Jedem Mediziner ist es für jeden einzelnen Patienten möglich, durch den raschen und einfachen Upload auf Radailogy die Frakturanalyse dieser AI-Assistent anzufordern. Unsere Kunden in der Telemedizin verwenden BoneView Trauma auch als Standard in der täglichen Praxis, um ihren Workflow zu optimieren.

Die wissenschaftliche Evidenz

Cohen M, Puntonet J, Sanchez J, Kierszbaum E, Crema M, Soyer P, Dion E. Artificial intelligence vs. radiologist: accuracy of wrist fracture detection on radiographs. Eur Radiol. 2023 Jun;33(6):3974-3983

Duron L, Ducarouge A, Gillibert A, Lainé J, Allouche C, Cherel N, Zhang Z, Nitche N, Lacave E, Pourchot A, Felter A, Lassalle L, Regnard NE, Feydy A. Assessment of an AI Aid in Detection of Adult Appendicular Skeletal Fractures by Emergency Physicians and Radiologists: A Multicenter Cross-sectional Diagnostic Study. Radiology. 2021 Jul;300(1):120-129

Regnard NE, Lanseur B, Ventre J, Ducarouge A, Clovis L, Lassalle L, Lacave E, Grandjean A, Lambert A, Dallaudière B, Feydy A. Assessment of performances of a deep learning algorithm for the detection of limbs and pelvic fractures, dislocations, focal bone lesions, and elbow effusions on trauma X-rays. Eur J Radiol. 2022 Sep;154;110447

Daten zum Upload auf Radailogy

Digitalradiographie des peripheren Skeletts in zwei Ebenen, zum Beispiel a.p. und seitlich oder axial

ChestView blog

Rasche AI-Diagnose des Thoraxröntgen

Radiographie des Thorax eines 39-jährigen Patienten (links) mit Symptomen einer unteren Atemwegsinfektion. Es besteht eine geringe Strahlentransparenzminderungen in Projektion auf den linken Lungenunterlappen. ChestView identifiziert die Pathologie korrekt (gelbes Kästchen). Das Ergebnis wird auch tabellarisch gelistet (rechts). Neben der vollautomatischen Meldung der Akutpathologie werden weitere bedrohliche Pathologien des Thorax korrekt als negativ bewertet.

Die Radiographie des Thorax wird weltweit als eine häufigsten, wenn nicht der häufigsten radiologischen Untersuchungen überhaupt, sowohl im Akutbetrieb als auch in der elektiven Medizin eingesetzt. Für alle Beteiligten sind die korrekte und reproduzierbare Befunderstellung und die Ergebnisübermittlung von Radiologen an Patienten und Kliniker von eminenter Bedeutung.

Mit grosser Freude präsentieren wir Ihnen ChestView, einen AI-Assistenten für die Radiographie des Thorax.

Warum ChestView bedeutend ist und wie es arbeitet

ChestView stellt einen AI-Assistenten auf Expertenniveau dar, die dank der gemeinsamen Arbeit unseres multidisziplinären Teams aus Entwicklern und Radiologen intensiv getestet wurde.

Mit ChestView werden wesentliche Pathologien des Thorax diagnostiziert. Der Assistent wurde einerseits entwickelt, um die Triage in der Akutmedizin zu unterstützen und andererseits, um die radiologische Arbeit in Hinblick auf Zeitersparnis und erhöhter Genauigkeit zu verbessern.

Wer profitiert

Patienten, Kliniker und Radiologen durch das Erkennen der wichtigsten Thoraxerkrankungen in Bild und Tabelle.

Unsere eigene Erfahrung bei Radailogy

ChestView unterstützt die Erkennung wesentlicher thorakaler Pathologien. Lungenentzündungen werden zwar als Alveolarsysndrom bezeichnet, die Differentialdiagnose hat in unseren eingehenden Tests mit einer hohen Genauigkeit funktioniert. Die Darstellung der Ergebnisse mittels Kästchen und tabellarischer Beschreibung ist für den radiologischen Wissenstransfer an Kliniker und Patienten hilfreich.

Die wissenschaftliche Evidenz

Bennani S, Regnard NE, Lassalle L, Nguyen T, Malandrin C, Koulakian H, Khafagy P, Chassagnon G, Revel MP. Evaluation of radiologists’ performance compared to a deep learning algorithm for the detection of thoracic abnormalities on chest X-ray. In press

Daten zum Upload auf Radailogy

Digitalradiographie des Thorax für Patienten ab 15 Jahren

AiraMed copy

Früherkennung neurodegenerativer Erkrankungen für eine erfolgreiche Behandlung

3D T1-gewichtete Gradientenecho-MRT einer 68-jährigen Patientin mit leichten Symptomen einer Gedächtnisstörung (links). Die Routine-MRT (nicht abgebildet) zeigte eine geringe mikroangiopathisch bedingte Neurodegeneration. Es wurde eine Gehirnvolumetrie durchgeführt (links). AIRAscore identifizierte eine das Altersmaß überschreitende Volumenminderung des rechten Temporallappens und beider Hippocampi (rechts), was auf eine Alzheimer-Krankheit hindeutet. Die Diagnose wurde durch Liquorpunktion bestätigt, die ein pathologisches Beta-Amyloid-Verhältnis und erhöhte Tau- und Phosphor-Tau-Proteine ​​zeigte.

Für viele Menschen bleibt unerkannt, dass bereits geringfügige Symptome hinweisend für die Entwicklung der Demenz sein können. Sie verpassen somit die wichtige Frühdiagnose und den rechtzeitigen Beginn ihrer individualisierten Therapie und damit die bestmögliche Prognose für viele Jahre. Die AI kann zusammen mit der MRT des Gehirns zur frühestmöglichen Erkennung und Behandlung neurodegenerativer Krankheiten beitragen.

Mit grosser Freude präsentieren wir Ihnen AIRAscore, einen AI-Assistenten für die präzise Diagnose neurodegenerativer Erkrankungen.

Was AIRAscore ist und wie es arbeitet

AIRAscore misst aus MR-Bildern des Gehirns relevante Biomarker zur Diagnose und Differenzialdiagnose neurodegenerativer Erkrankungen.

Das globale und die regionalen Gehirnvolumina werden exakt gemessen. Die Ergebnisse werden immer mit alters- und geschlechtsspezifischen Referenzwerten verglichen. Die Messungen sind um ein Vielfaches genauer, als sie selbst Fachärzte bisher durchführen konnten. Von der Norm abweichende Ergebnisse werden klar ersichtlich. Die Befunde werden tabellarisch in Balkendiagrammen berichtet und bilden eine wertvolle Unterstützung für den Wissenstransfer von Radiologen zu Patienten und Ärzten.

Wer profitiert

Patienten, Kliniker und Radiologen durch die frühe Erkennung und Differenzialdiagnose neurodegenerativer Erkrankungen. AIRAscore eignet sich darüber hinaus hervorragend zur Verlaufskontrolle erstellter Diagnosen.

Unsere eigene Erfahrung bei Radailogy

Wir haben AIRAscore intensiv getestet und mit dem Hersteller viele technologische Kriterien für die optimale Verwendung bei Radailogy erarbeitet.

Wir fanden eine hohe Korrelation in der Erkennung makro- und mikroangiopathischer Veränderungen und der Hirnatrophie zwischen unseren Fachärzten und AIRAscore. Darüber hinaus war AIRAscore in nahezu allen Tests dem menschlichen Betrachter in der Präzision subtiler regionaler Befunde überlegen. Der AI-Assistent liefert genaue Volumina aller relevanten anatomischen Strukturen des Großhirns, des Kleinhirns sowie des Hirnstamms. Die Frühdiagnose war insbesondere für Alzheimer-Patienten möglich, die Korrelation mit Klinik und Labordaten war auch im Follow-up sehr hoch. AIRAscore kann auch zur Differenzialdiagnose der Multiplen Sklerose und des Morbus Parkinson eingesetzt werden.

Das wissenschaftliche Umfeld

AIRAscore wurde in der neurowissenschaftlichen medizinischen Forschung entwickelt. Der AI Assistent stellt aus unserer Sicht eine Brückenbildung zwischen innovativer universitärer Forschung und direkter Anwendbarkeit im klinischen Alltag dar.

Daten zum Upload auf Radailogy

1,5-3 Tesla MRT, native 3D T1-gewichtete Gradientenecho-Sequenzen, Schichtdicke 1 mm, Echozeit ≤ 5 ms, Flipwinkel ≤ 15°

PixelShine2_1

Computertomografie: Die wichtigste radiologische Methode mit verbesserter Bildqualität und verringerter Strahlendosis

Low-Dose CT des Thorax eines Patienten mit einem pneumonischen Infiltrat des Mittellappens. Ursprüngliches Bild mit 80kVp, 15 mAs, Strahlendosis 0,2 mGy (links unten). Bearbeitung mit Pixelshine (links oben). Ein vergleichbares Bild würde mit ca. 120 kVp, 150 mAs und einer Strahlendosis von ca. 8 mGy erstellt werden. Die Strahlendosis wird mit PixelShine um mehr als 95 % verringert.

Low-Dose CT des Abdomen. Ursprüngliches Bild mit 120kVp, Schichtdicke 1,25 mm, Strahlendosis 1,7 mGy (Mitte unten). Bearbeitung mit Pixelshine (Mitte oben). Ein vergleichbares Bild würde mit einer Strahlendosis von ca. 10 mGy erstellt werden. Die Strahlendosis wird mit PixelShine um mehr als 80 % verringert.

CT des Gehirns. Ursprüngliches Bild mit 120kVp, Schichtdicke 0,625 mm, Strahlendosis 11 mGy (rechts unten). Bearbeitung mit Pixelshine (rechts oben). Ein vergleichbares Bild würde mit einer Strahlendosis von ca. 40 mGy erstellt werden. Die Strahlendosis wird mit PixelShine um ca. 75 % verringert.

Die Medizin erzeugt seit einigen Jahren deutlich mehr Strahlendosis, als es die natürliche Strahlung aus dem Kosmos und der Erde je getan hatte. Der Hauptgrund hierfür ist der konstant zunehmende radiologische Einsatz der Computertomografie (CT). Gerade weil die CT in nahezu allen diagnostischen Bereichen weitgehend unerlässlich für die adäquate Patientenbetreuung ist und auch bleiben wird, liegt es an uns, das längst nachgewiesene strahleninduzierte Krebsrisiko auf dem niedrigsten möglichen Niveau zu halten.

Mit grosser Freude präsentieren wir Ihnen PixelShine, einen AI-Assistenten für die Reduzierung der CT-Strahlendosis.

Warum PixelShine bedeutend ist

Sowohl im Spital als auch im radiologischen Institut wird darauf geachtet, jedem Patienten nur die notwendige Strahlendosis zu verabreichen. Diese Low-Dose CT-Protokolle erzeugen allerdings nahezu immer fast immer verrauschte Bilder, und die CT-Untersuchungen sind selbst für Fachärzte oft schwierig zu interpretieren. Darüber hinaus müssen Radiologen häufig CT-Studien von CT-Geräten unterschiedlicher Hersteller betrachten, was zu Unannehmlichkeiten und Verzögerungen im Workflow beiträgt.

PixelShine ermöglicht zweierlei: Zum einen können Low-Dose-CT-Untersuchungen für alle Patienten im Sinne eines optimalen Strahlenschutzes durchgeführt werden, zum anderen generiert PixelShine aus diesen Bildern mit einem hohen Bildrauschen anschließend eine deutlich verbesserte Qualität, beispielsweise bei adipösen Patienten. Zweitens wird die Lebensdauer von CT-Geräten verlängert, indem die Belastung der CT-Röhren reduziert wird.

Wann und wie PixelShine eingesetzt wird

PixelShine kann für Studien jeden CT-Gerätealters und jeden Geräteherstellers verwendet werden. Dieser AI-Assistent verbessert die radiologische Präzision durch die Homogenisierung des Workflows.

CT-Studien mit einem hohen Bildrauschen werden durch PixelShine für Radiologen wieder optimal zu befunden und die radiologische Qualität erfüllt den Anspruch an die diagnostische Aussagekraft.

Weiters können Spitäler und radiologische Institute Low-Dose CT-Studien als Standard durchführen, PixelShine im Post processing integrieren und somit eine hohe konstant Bildqualität erreichen.

Wer profitiert

Patienten, Kliniker, Radiologen und die Geschäftsführung von Spitälern und radiologischen Instituten: Sorgfalt für alle Patienten durch Minimierung der Strahlendosis, klare CT-Bilder, optimale Beurteilbarkeit und Befundbesprechung, Geldersparnis durch die Verlängerung der Lebensdauer von CT-Geräten.

Unsere eigene Erfahrung bei Radailogy

Unsere Kunden senden uns CT-Studien, um die Bildqualität mit PixelShine zu verbessern und eine optimale diagnostische Aussagekraft zu ermöglichen. Sowohl im Einzelfall durch den raschen und einfachen Upload auf Radailogy, als auch als Standard in der täglichen Zusammenarbeit mit unserer Telemedizin.

Auswahl wissenschaftlicher Publikationen

Hata A, Yanagawa M, Yoshida Y, et al. Combination of Deep Learning–Based Denoising and Iterative Reconstruction for Ultra-Low-Dose CT of the Chest: Image Quality and Lung-RADS Evaluation. American Journal of Roentgenology. 2020;215(6):1321-1328.

Steuwe A, Weber M, Bethge OT, et al. Influence of a novel deep-learning based reconstruction software on the objective and subjective image quality in low-dose abdominal computed tomography. BJR. 2021;94(1117):20200677.

Brendlin AS, Plajer D, Chaika M, et al. AI Denoising Significantly Improves Image Quality in Whole-Body Low-Dose Computed Tomography Staging. Diagnostics. 2022;12(1):225.

Hasegawa A, Ishihara T, Thomas MA, Pan T. Noise reduction profile: A new method for evaluation of noise reduction techniques in CT. Medical Physics. 2022;49(1):186-200.

Nagaraj Y, de Jonge G, Andreychenko A, et al. Facilitating standardized COVID-19 suspicion prediction based on computed tomography radiomics in a multi-demographic setting. Eur Radiol. 2022;32(9):6384-6396.

Hasegawa A, Ishihara T, Thomas MA, Pan T. Noise reduction profile: A new method for evaluation of noise reduction techniques in CT. Medical Physics. 2022;49(1):186-200.

Daten zum Upload auf Radailogy

CT-Studien jeden CT-Gerätealters und jeden Geräteherstellers

Featured-Image-Blog-2

AI verbindet Patienten und Ärzte

Ärzte sind auf die Untersuchungsdaten einer Vielfalt medizinischer Fachgebiete angewiesen, um Patienten über ihre aktuelle Situation Auskunft zu geben und das Beste zu ermöglichen, um sie zu heilen.

Die Radiologie ist eines jener Fachgebiete, auf deren schneller, akkurater Diagnostik jede erfolgreiche Therapie unmittelbar beruht. Dabei sind die Präzision in der Befunderstellung und die Ergebnisübermittlung an Patienten und Kliniker die wichtigsten Erfolgsfaktoren.

Zurecht wollen Patienten und Kliniker exakte Analysen in Wort und Bild dargestellt haben. Röntgenbilder, CT- und MRT-Bilder eignen sich für Befundbesprechungen hervorragend. Hier sind Kliniker darauf angewiesen, dass die Ergebnisse klar ersichtlich sind, um sie ihren Patienten ohne Informations- oder Qualitätsverlust zu zeigen.

Seit 2008 wurde ein Anstieg der radiologischen Untersuchungen von 78% festgestellt, der Trend ist steigend. Dabei steuern Gesundheitssysteme in einen erheblichen Mangel an Fachärzten. Jener essenzielle präzise Wissenstransfer von Radiologen an Patienten und Kliniker ist bereits heute oftmals dem täglichen Zeitdruck unterlegen.

Radailogy´s AI gestaltet eine bessere Zukunft. AI-Hersteller wissen, welche Anforderungen und Erwartungen wir an ihre Produkte haben. Wir prüfen und perfektionieren AI-Assistenten Hand in Hand mit ihren Entwicklern. Wir von Radailogy tragen Sorge für alle Beteiligten: Patienten, Kliniker und Radiologen. Mit jedem angebotenen AI-Assistenten helfen wir, Zeit zu sparen, die medizinische Präzision zu steigern und Untersuchungsergebnisse klar zu sehen und zu verstehen.

Columbo

Optimale Visualisierung der MRT der Lendenwirbelsäule

T2-gewichtete axiale (oben links) und sagittale (unten links) MRT der Lendenwirbelsäule eines Patienten mit Rückenschmerzen, Schwäche der unteren Gliedmaßen und Parästhesien. Bandscheibenextrusion links (rot) auf Höhe L4/L5 mit Impingement des linken L4-Nervs (pink) und diskreter rezessaler Verlagerung der linken L5-Nervenwurzel (pink). T2-gewichtete axiale (oben rechts) und sagittale (oben links) MRT eines Patienten mit Schwäche der linken unteren Extremität und starken Rückenschmerzen. Links-paramedianer Prolaps (rot), Duralsackkompression (hellblau), rezessale Bedrängung der linken L5-Nervenwurzel (rosa). Keine Kompression der foraminalen Nerven (rosa). Retrolisthese Grad I.

Die MRT der Lendenwirbelsäule ist eine der häufigsten radiologischen Untersuchungen überhaupt. Vier von fünf Menschen haben sie im Laufe ihres Lebens. Die Präzision in der Befunderstellung und die Ergebnisübermittlung von Radiologen an Patienten und Kliniker sind die wichtigsten Erfolgsfaktoren für jede optimale Therapie.

Mit grosser Freude präsentieren wir Ihnen CoLumbo, einen AI-Assistenten für die MRT der Lendenwirbelsäule.

Was CoLumbo ist und wie es arbeitet

CoLumbo spart Zeit und erhöht die Genauigkeit bei der Erkennung der häufigsten Pathologien der Lendenwirbelsäule.

MRT-Befunde der Lendenwirbelsäule werden berichtet und visualisiert. Es unterstützt den Wissenstransfer von Radiologen zu Patienten und Ärzten. Darüber hinaus werden alle Befunde in umfassenden, standardisierten Berichten festgehalten und können als integraler, automatisch ausfüllender Bestandteil des Befundberichts verwendet werden.

Wer profitiert

Patienten, Kliniker und Radiologen durch eine detailliertere und genauere Diagnose mit anschließend verringerter Wahrscheinlichkeit einer suboptimalen Therapie oder Operation. Genaue automatische Messungen und eine klare farbige Darstellung aller Befunde verringern die Notwendigkeit, MRT-Befunde von Hand zu messen.

Unsere eigene Erfahrung bei Radailogy

Wir haben CoLumbo über viele Monate eingehend studiert. Hier teilen wir einige unserer Ergebnisse mit Ihnen:

Dieser AI-Assistent unterstützt die Erkennung von Bandscheibenvorfall, Bandscheibenvorwölbung, zentraler Spinalkanalstenose, Nervenwurzelimpingement, reduzierter Wirbel- und Bandscheibenhöhe, Hypo- und Hyperlordose sowie Spondylolisthese und Pseudolisthese. Bei der aktuellen CoLumbo-Version empfehlen wir die fachärztliche Begutachtung der foraminären Nervenwurzelirritation.

Die wissenschaftliche Evidenz

CoLumbo erzielte in der klinischen Forschung hervorragende Ergebnisse in Bezug auf die Genauigkeit zur Erkennung und Kennzeichnung von Bandscheiben (100 %), der Erkennung von Bandscheibenherniation (87%; 95% KI: 0,84, 0,89), Extrusion (86%; 95% KI: 0,84, 0,89), Bulging (76%; 95% KI: 0,73, 0,78), Spinalkanalstenose (98%; 95% KI: 0,97, 0,99), Nervenwurzelkompression (91%; 95% KI: 0,89, 0,92) und Spondylolisthese (87,61%; 95% KI: 85,26, 89,21).

Lehnen NC, Haase R, JFaber J, Rüber T, Vatter H, Radbruch A, Schmee FC. Detection of Degenerative Changes on MR Images of the Lumbar Spine with a Convolutional Neural Network: A Feasibility Study. Diagnostics 2021; 19;11(5):902

Daten zum Upload auf Radailogy

1-3 Tesla MRT, T2 axial und sagittal 2D und 3D, Schichtdicke 3,45-5 mm