Abstract: Joint Imaging Platform for Federated Clinical Data Analytics

Scherer, Jonas; Nolden, Marco; Kleesiek, Jens; Metzger, Jasmin; Kades, Klaus; Schneider, Verena; Gao, Hanno; Neher, Peter; Floca, Ralf; Maier‐Hein, Klaus H.

doi:10.1007/978-3-658-33198-6_31

Cited by 2 publications

(3 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Such methods are of particular use for the analysis of large cohorts or on a national level. One prominent example is the management of data collected during the COVID-19 pandemic 49 50 51 .…”

Section: Imaging and Evaluation Methodsmentioning

confidence: 99%

“…Zur Beschleunigung und Automatisierung der Auswertung finden mittlerweile Methoden des Deep Learning vermehrte Anwendung. Derartige Verfahren sind insbesondere für die Analyse großer Kohorten oder auf nationaler Ebene erforderlich – ein prominentes Beispiel ist die Bewältigung der Datenmengen im Zusammenhang mit der Covid-19-Pandemie 49 50 51 .…”

Section: Hintergrund Und Methodikunclassified

See 1 more Smart Citation

Body composition analysis by radiological imaging – methods, applications, and prospects

Linder,

Denecke,

Busse

2024

Rofo

View full text Add to dashboard Cite

Background This review discusses the quantitative assessment of tissue composition in the human body (body composition, BC) using radiological methods. Such analyses are gaining importance, in particular, for oncological and metabolic problems. The aim is to present the different methods and definitions in this field to a radiological readership in order to facilitate application and dissemination of BC methods. The main focus is on radiological cross-sectional imaging. Methods The review is based on a recent literature search in the US National Library of Medicine catalog (pubmed.gov) using appropriate search terms (body composition, obesity, sarcopenia, osteopenia in conjunction with imaging and radiology, respectively), as well as our own work and experience, particularly with MRI- and CT-based analyses of abdominal fat compartments and muscle groups. Results and Conclusion Key post-processing methods such as segmentation of tomographic datasets are now well established and used in numerous clinical disciplines, including bariatric surgery. Validated reference values are required for a reliable assessment of radiological measures, such as fatty liver or muscle. Artificial intelligence approaches (deep learning) already enable the automated segmentation of different tissues and compartments so that the extensive datasets can be processed in a time-efficient manner – in the case of so-called opportunistic screening, even retrospectively from diagnostic examinations. The availability of analysis tools and suitable datasets for AI training is considered a limitation. Key Points Citation Format

show abstract

Section: Imaging and Evaluation Methodsmentioning

confidence: 99%

Section: Hintergrund Und Methodikunclassified

Body composition analysis by radiological imaging – methods, applications, and prospects

Linder,

Denecke,

Busse

2024

Rofo

View full text Add to dashboard Cite

show abstract

“…Damit kann der lokale Datenschutz gewährleistet werden. RACOON setzt hierfür die Joint Imaging Platform (JIP) des Deutschen Krebsforschungszentrums ein 34 . Die dort für Tumorerkrankungen entwickelten Verfahren ermöglichen föderiertes Lernen und werden im Rahmen von RAOON auf COIVD-19 Bedürfnisse zugeschneidert 26 .…”

Section: Beitrag Radiologischer Bildgebung Zur Diagnostik Und Prognos...unclassified

Radiologische Diagnostik und Prognostik von COVID-19: Einsatz von künstlicher Intelligenz und Zusammenhang mit muskulo-skelettaler Bildgebung

et al. 2022

View full text Add to dashboard Cite

ZusammenfassungDie COVID-19 Pandemie hat die Radiologie, wie viele andere Bereiche, vor völlig neue Herausforderungen gestellt. Radiologische Bildgebung spielt im Verbund mit Laboruntersuchungen und klinischen Daten eine wichtige Rolle bei der Diagnose von COVID-19. Anhand einer spezifischen Analyse der Lungenläsionen erlaubt sie auch Einschätzungen des Risikos schwerer Verläufe, wenngleich die Größenordnung des Informationsgewinns über biologisch klinische Daten hinaus im Einzelfall unterschiedlich und Gegenstand aktueller Forschung ist. Osteoporose-bedingte Frakturen stellen in diesem Zusammenhang möglicherweise einen unabhängigen Risikofaktor für schwere Verläufe dar. Die Pandemie hat aber auch neue Perspektiven eröffnet, insbesondere sind im Bereich der Bildgebung neue technologische Entwicklungen mit Nachdruck vorangetrieben worden. So arbeiten alle Universitätsradiologien am Projekt Radiological Cooperative Network (RACOON) zusammen, wobei auf der Basis strukturierter Befunde die Daten zusammengeführt und optional mit Methoden der künstlichen Intelligenz (KI) analysiert werden. Eine Zusammenführung mit KI-Methoden zur Frakturerkennungen bietet Perspektiven, Frakturinformationen automatisch zu gewinnen und in Risiko-Scores für schweren Verlauf mit einzubinden. Die neuen Strukturen und Methoden, die während der Pandemie entwickelt wurden, lassen sich auf andere Anwendungsbereiche wie die muskulo-skelettale Bildgebung übertragen und können so zu erheblichen technologischen Fortschritten in der radiologischen Diagnostik und Prognostik führen.

show abstract

Abstract: Joint Imaging Platform for Federated Clinical Data Analytics

Cited by 2 publications

References 1 publication

Body composition analysis by radiological imaging – methods, applications, and prospects

Body composition analysis by radiological imaging – methods, applications, and prospects

Radiologische Diagnostik und Prognostik von COVID-19: Einsatz von künstlicher Intelligenz und Zusammenhang mit muskulo-skelettaler Bildgebung

Contact Info

Product

Resources

About