Schrittmacher-Typ röntgenbasiert automatisch erkennen
Zuverlässig und sogar präziser als Kardiologen kann ein neuronales Netzwerk sowohl Hersteller als auch Modellgruppe implantierter Herzschrittmacher und Defibrillatoren identifizieren.
Zuverlässig und sogar präziser als Kardiologen kann ein neuronales Netzwerk sowohl Hersteller als auch Modellgruppe implantierter Herzschrittmacher und Defibrillatoren identifizieren.
Die Befundung vom Mammographie-Bildern gelingt Künstlicher Intelligenz ähnlich gut wie erfahrenen BefunderInnen.
Maschinelles Lernen in der quantitativen MRT-Bildgebung könnte die Diagnose neurodegenerativer Erkrankungen entscheidend verbessern.
Mit der parallelen Anwendung von Textanalyse-Werkzeugen und maschinellen Lernprozessen gelingt eine sehr gutes Verständnis manuell erstellter Befunde.
Neue IT-Entwicklungen und Änderungen im Gesundheitsbereich machen RadiologInnen nicht zwangsläufig überflüssig, schlussfolgert die vorliegende Analyse zweier amerikanischer Radiologen.
Deep-Learning-Netzwerke analysieren orthopädische Röntgenbilder mit hoher Genauigkeit und können RadiologInnen in der täglichen Routine unterstützen.
Die gewebsspezifische energetische Schwächung von Photonen während einer PET könnte mit Hilfe von Deep Learning auch in der MR-Umgebung künftig zuverlässige Bildrekonstruktionen ermöglichen.
Die meisten Mamma-MRT-Aufnahmen zu Screeningzwecken sind ohne pathologischen Befund und bräuchten eigentlich keine Befundung durch RadiologInnen. Ein KI-Tool kann vorab nahezu 40 Prozent der Normalbefunde aussortieren.