Advertisement

Arzt oder künstliche Intelligenz: Wer wertet ein Herz-MRT präziser aus?

  • Florian von KnobelsdorffEmail author
Journal Club
  • 30 Downloads

Originalpublikation

Bhuva AN, Bai W, Lau C et al (2019) A multicenter, scan-rescan, human and machine learning CMR study to test generalizability and precision in imaging biomarker analysis. Circ Cardiovasc Imaging. 12(10).  https://doi.org/10.1161/CIRCIMAGING.119.009214. Epub ahead of print

Auswurffraktion, Volumina und Masse des linken Ventrikels sind wichtige Parameter in der Kardiologie, die z. B. die medikamentöse und Device-Therapie beeinflussen und die häufig in klinischen Studien als Einflussgrößen analysiert werden. Die kardiale Magnetresonanztomographie (CMR) gilt als Goldstandard zur Quantifizierung dieser Parameter. Die Analyse basiert auf der Konturierung der endo- und epikardialen Grenzen des linken Ventrikels in der Diastole und Systole in sog. Cine-Aufnahmen des Herzens. Diese Konturierung erfolgte bis vor wenigen Jahren ausschließlich manuell, war zeitaufwendig (ca. 15 min pro Ventrikel) und trotz offizieller Standards sehr untersucherabhängig [1, 2]. Zwischenzeitlich...

Physician or artificial intelligence: who evaluates a cardiac MRI more precisely?

Notes

Interessenkonflikt

F. von Knobelsdorff gibt an, dass kein Interessenkonflikt besteht.

Literatur

  1. 1.
    Schulz-Menger J, Bluemke DA, Bremerich J, Flamm SD, Fogel MA, Friedrich MG et al (2013) Standardized image interpretation and post processing in cardiovascular magnetic resonance: society for cardiovascular magnetic resonance (SCMR) board of trustees task force on standardized post processing. J Cardiovasc Magn Reson 15:35CrossRefGoogle Scholar
  2. 2.
    Suinesiaputra A, Bluemke DA, Cowan BR, Friedrich MG, Kramer CM, Kwong R et al (2015) Quantification of LV function and mass by cardiovascular magnetic resonance: multi-center variability and consensus contours. J Cardiovasc Magn Reson 17:63CrossRefGoogle Scholar
  3. 3.
    Leiner T, Rueckert D, Suinesiaputra A, Baessler B, Nezafat R, Isgum I et al (2019) Machine learning in cardiovascular magnetic resonance: basic concepts and applications. J Cardiovasc Magn Reson 21:61CrossRefGoogle Scholar
  4. 4.
    European Society of Radiology (ESR) (2019) What the radiologist should know about artificial intelligence—an ESR white paper. Insights Imaging 10:44CrossRefGoogle Scholar

Copyright information

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

Authors and Affiliations

  1. 1.Klinik für Innere Medizin – KardiologieAkademisches Lehrkrankenhaus Agatharied der Ludwig-Maximilians-Universität MünchenAgathariedDeutschland

Personalised recommendations