Loading
Medizinische Universität Graz   Hilfe

Meine Abschlussarbeiten - Publikationen

Diplomarbeit - Detailansicht
Wichtigste Meldungen anzeigenMeldungsfenster schließen
Bibliografische Informationen
 KI-basierte Vorhersage der Tiefe der Trochlea ossis femoris anhand seitlicher Kniegelenksröntgen und MRT-Korrelation - eine retrospektive Studie  
 Hintergrund:

Die patellofemorale Instabilität stellt ein häufiges Krankheitsbild bei Kindern und Jugendlichen dar, wobei eine dysplastische Trochlea ossis femoris eine wesentliche ätiologische Rolle spielt. Die Tiefe dieser Gelenksrolle gilt als zentraler diagnostischer Parameter und wird für gewöhnlich mit der Magnetresonanztomographie präzise ermittelt. Eine flächendeckend verfügbare und vergleichsweise weniger zeit- und kostenintensive Modalität ist das konventionelle Röntgenbild des Kniegelenks. Im Rahmen der zunehmenden Bedeutung von Künstlicher Intelligenz in der medizinischen Bildverarbeitung war es Ziel dieser Arbeit, zu prüfen, ob Convolutional Neural Networks (CNNs) anhand lateraler Kniegelenksröntgenbilder die Trochleatiefe automatisiert und zuverlässig vorhersagen können.

Methodik:

Im retrospektiven Studiendesign wurden 906 Patientenfälle mit insgesamt 1084 lateralen Röntgenaufnahmen und korrelierenden MRT-Messungen der Trochleatiefe ausgewertet. Acht Varianten der EfficientNet-Architektur (B0 bis B7) wurden in einer dichotomen Klassifikationsaufgabe (Trochleatiefe unter oder über 4 mm) trainiert und getestet. Die Modellleistungen wurden mittels typischer Kennzahlen der Deep-Learning-Modellanalyse beurteilt, wie zum Beispiel Accuracy, F1-Score oder ROC- und PR-Analysen.

Ergebnis:

Die besten Ergebnisse erzielte das Modell EfficientNet-B3 mit einer Accuracy von 67,4% sowie AUC-Werten von 0,724 (ROC) und 0,738 (PR). Die erzielte Genauigkeit reicht zwar noch nicht für eine klinisch verlässliche Anwendung, beweist jedoch die grundsätzliche technische Machbarkeit einer KI-gestützten Beurteilung der Trochleatiefe. Die vorliegende Arbeit liefert zusätzlich auch Impulse für zukünftige Forschungen, um die Modellleistung zu optimieren.  
   
 
 –  
Autorinnen*Autoren / Co-Autorinnen*Co-Autoren
  Lauritsch, Jan
Betreuende Einrichtung / Studium
  Universitätsklinik für Radiologie
 UO 202 Humanmedizin  
Betreuung / Beurteilung
  Tschauner, Sebastian; Univ.-Prof. Priv.-Doz. Dr.med.univ. Dr.scient.med.
  Stranger, Nikolaus; Dr.med.univ.