Advertisement

Radiomics – KI-basierte Bildanalyse

  • A. DemircioğluEmail author
Hauptreferate: Aktuelle Habilitationen

Zusammenfassung

Radiomics beschäftigt sich mit der statistischen Analyse von radiologischen Bilddaten. Dieser Beitrag führt in Radiomics ein und zeigt einige ihrer Anwendungsbeispiele auf. Insbesondere wurde an einem Beispiel demonstriert, dass Pathologie und Radiologie in Zusammenarbeit zu besseren Diagnosen kommen können. Es ist nicht zu bestreiten, dass die künstliche Intelligenz (KI) in der Radiologie (und Pathologie) ihren Platz einnehmen wird. Insbesondere Deep Learning wird verstärkt Anwendungen finden. Allerdings erfolgen die Auswirkungen auf die klinische Routine eher langfristig und vermutlich schrittweise, sodass die KI zunächst nur in Form spezialisierter Tools zur Unterstützung im klinischen Alltag eingesetzt werden wird, bis sich Methoden und Programme soweit verbessern, dass KI auch übergreifendere Diagnosen übernehmen können. Dies wird aber die Pathologen und Radiologen auch langfristig nicht ersetzen, sondern sie eher zu „information specialists“ machen, die die gewonnenen Ergebnisse interpretieren und in den klinischen Kontext setzen.

Schlüsselwörter

Computergestützte Interpretation radiografischer Bilddaten Künstliche Intelligenz Machine Learning Pathologie Radiologie 

Radiomics—AI-based image analysis

Abstract

Radiomics deals with the statistical analysis of radiologic image data. In this article, radiomics is introduced and some of its applications are presented. In particular, an example is used to demonstrate that pathology and radiology can work together for better diagnoses. There is no denying that artificial intelligence will find its place in radiology (and pathology). Deep learning in particular will increasingly find applications. However, the impact on clinical routine is more long term and probably gradual, so AI will initially only be used in the form of specialized tools to support everyday clinical practice until methods and programs improve to the extent that AI can also take on more general diagnoses. However, this will not replace pathologists and radiologists in the long term, but rather turn them into “information specialists” who interpret the results obtained and integrate them into clinical contours.

Keywords

Computer-assisted radiographic image interpretation Artificial intelligence Machine learning Pathology Radiology 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

A. Demircioğlu gibt an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

The supplement containing this article is not sponsored by industry.

Literatur

  1. 1.
    Aerts HJWL, Velazquez ER, Leijenaar RTH et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun.  https://doi.org/10.1038/ncomms5006 CrossRefPubMedPubMedCentralGoogle Scholar
  2. 2.
    Afshar P, Oikonomou A, Benali H (2019) From Hand-Crafted to Deep Learning-based Cancer Radiomics: Challenges and Opportunities. IEEE Signal Processing Magazine 36(4):28.  https://doi.org/10.1109/MSP.2019.2900993
  3. 3.
    Caicedo JC, Cooper S, Heigwer F et al (2017) Data-analysis strategies for image-based cell profiling. Nat Methods 14:849–863.  https://doi.org/10.1038/nmeth.4397 CrossRefPubMedGoogle Scholar
  4. 4.
    Casaroli GT et al (2018) Generative models: an upcoming innovation in musculoskeletal radiology? A preliminary test in spine imaging. Eur Radiol Exp 2:29.  https://doi.org/10.1186/s41747-018-0060-7 CrossRefPubMedPubMedCentralGoogle Scholar
  5. 5.
    Chen H, Zhang Y, Kalra MK et al (2017) Low-dose CT with a residual encoder-decoder convolutional neural network. IEEE Trans Med Imaging 36:2524–2535.  https://doi.org/10.1109/TMI.2017.2715284 CrossRefPubMedPubMedCentralGoogle Scholar
  6. 6.
    Cohen JP, Luck M, Honari S (2018) How to cure cancer (in images) with unpaired image translation. International Conference on Medical Imaging with Deep Learning (MIDL), Amsterdam, S 3Google Scholar
  7. 7.
    Demircioglu A, Koitka S, Nensa F (2019) Big Imaging Data: Klinische Bildanalyse mit Radiomics und Deep Learning. Nuklearmediziner 42:97–111CrossRefGoogle Scholar
  8. 8.
    Deutsche Radiologie in Zahlen. https://www.radiologie.de/deutsche-radiologie-zahlen/. Zugegriffen: 08. Juli 2019
  9. 9.
    Finlayson SG, Chung HW, Kohane IS, Beam AL (2018) Adversarial attacks against medical deep learning systems. ArXiv180405296 Cs StatGoogle Scholar
  10. 10.
    Galbusera F, Bassani T, Casaroli G et al (2018) Generative models: an upcoming innovation in musculoskeletal radiology? A preliminary test in spine imaging. Eur Radiol Exp 2:29.  https://doi.org/10.1186/s41747-018-0060-7 CrossRefPubMedPubMedCentralGoogle Scholar
  11. 11.
    Goodfellow I, Pouget-Abadie J, Mirza M et al (2014) Generative adversarial nets. In: Ghahramani Z, Welling M, Cortes C et al (Hrsg) Adv. Neural Inf. Process. Syst. 27. Curran Associates, Montreal, Canada, S 2672–2680Google Scholar
  12. 12.
    Harlow CA, Dwyer SJ, Lodwick G (1976) On radiographic image analysis. In: Digit. Pict. Anal. Springer, Berlin Heidelberg, S 65–150CrossRefGoogle Scholar
  13. 13.
    Hinton G On radiology – YouTube. https://www.youtube.com/watch?v=2HMPRXstSvQ. Zugegriffen: 8. Juli 2019
  14. 14.
    Lahiani A, Navab N, Albarqouni S, Klaiman E (2019) Perceptual embedding consistency for seamless reconstruction of tilewise style transfer. ArXiv190600617 Cs EessCrossRefGoogle Scholar
  15. 15.
    Li H, Zhu Y, Burnside ES et al (2016) Quantitative MRI radiomics in the prediction of molecular classifications of breast cancer subtypes in the TCGA/TCIA data set. Npj Breast Cancer 2:16012.  https://doi.org/10.1038/npjbcancer.2016.12 CrossRefPubMedPubMedCentralGoogle Scholar
  16. 16.
    Look Ahead Machine learning in radiology. https://web.archive.org/web/20180623160909/http://www.rsna.org/News.aspx?id=19018. Zugegriffen: 8. Juli 2019
  17. 17.
    Mirsky Y, Mahler T, Shelef I, Elovici Y (2019) CT-GAN: malicious tampering of 3D medical imagery using deep learning. ArXiv190103597 CsGoogle Scholar
  18. 18.
    Rios Velazquez E, Parmar C, Liu Y et al (2017) Somatic mutations drive distinct imaging phenotypes in lung cancer. Cancer Res 77:3922–3930.  https://doi.org/10.1158/0008-5472.CAN-17-0122 CrossRefPubMedPubMedCentralGoogle Scholar
  19. 19.
    Rosenfeld A, Dwyer SJ (1976) Digital picture analysis. Springer, BerlinCrossRefGoogle Scholar
  20. 20.
    Rozsa A, Rudd EM, Boult TE (2016) Adversarial diversity and hard positive generation. In: 2016 IEEE conf. Comput. Vis. Pattern Recognit. Workshop CVPRW. IEEE, Las Vegas, S 410–417Google Scholar
  21. 21.
    Shaban MT, Baur C, Navab N, Albarqouni S (2018) StainGAN: stain style transfer for digital histological images. ArXiv180401601 CsGoogle Scholar
  22. 22.
    Smith ML (2016) Update on pulmonary fibrosis: not all fibrosis is created equally. Arch Pathol Lab Med 140:221–229.  https://doi.org/10.5858/arpa.2015-0288-SA CrossRefPubMedGoogle Scholar
  23. 23.
    Wang H, Zhou Z, Li Y et al (2017) Comparison of machine learning methods for classifying mediastinal lymph node metastasis of non-small cell lung cancer from 18F-FDG PET/CT images. EJNMMI Res.  https://doi.org/10.1186/s13550-017-0260-9 CrossRefPubMedPubMedCentralGoogle Scholar
  24. 24.
    Zhu J‑Y, Park T, Isola P, Efros AA (2017) Unpaired image-to-image translation using cycle-consistent adversarial networks. ArXiv170310593 CsCrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Institut für Diagnostische und Interventionelle Radiologie und NeuroradiologieUniversitätsklinikum EssenEssenDeutschland

Personalised recommendations