Künstliche Intelligenz in der radiologischen Bildgebung – Chancen, Grenzen und Qualität

Von / / 13 minutes of reading
KI-gestützte Bildrekonstruktion in der Radiologie am Beispiel einer CT-Untersuchung

Künstliche Intelligenz in der radiologischen Bildgebung ist längst mehr als ein Zukunftsthema. KI-basierte Verfahren greifen zunehmend unmittelbar in die Rekonstruktion und Verarbeitung von CT- und MRT-Bildern ein. Sie können Bildrauschen reduzieren, Artefakte vermindern und dazu beitragen, Untersuchungszeiten oder bei röntgenbasierten Verfahren die Strahlenexposition zu reduzieren.

Damit verändert sich jedoch eine zentrale Voraussetzung radiologischer Diagnostik: Das Bild auf dem Monitor ist das Ergebnis einer zunehmend komplexen Verarbeitung der gemessenen Daten. Lernende Algorithmen können dabei Bildinformationen beeinflussen. Entscheidend ist deshalb nicht allein, ob ein KI-bearbeitetes Bild besser aussieht, sondern ob es die diagnostisch relevante Information zuverlässig wiedergibt.

Inhaltsverzeichnis
Begriffsglossar

Gefilterte Rückprojektion: Ein klassisches Verfahren der CT-Bildrekonstruktion. Aus den während der Rotation der Röntgenröhre aus unterschiedlichen Richtungen gemessenen Projektionsdaten wird mathematisch ein Schnittbild berechnet. Vor der Rückprojektion werden die Messdaten gefiltert, um insbesondere die dabei entstehende Unschärfe zu korrigieren.

Iterative Rekonstruktion: Das CT-Bild entsteht schrittweise. Ausgehend von einer ersten Schätzung berechnet das Verfahren, welche Messdaten dieses Bild erzeugen müsste. Anschliessend vergleicht es die berechneten mit den tatsächlich gemessenen Daten und korrigiert das Bild wiederholt. Dadurch lassen sich insbesondere Bildrauschen und bestimmte Artefakte reduzieren.

Kantenfilter: Sie heben Übergänge zwischen Bildbereichen unterschiedlicher Helligkeit beziehungsweise Dichte hervor. Dadurch können Konturen und feine Strukturen deutlicher erscheinen. Eine stärkere Kantenbetonung kann allerdings auch das Bildrauschen verstärken.

Kontrastanpassung: Dabei verändert sich die Darstellung der vorhandenen Bildwerte auf dem Monitor. In der CT geschieht dies beispielsweise durch die Wahl von Fensterbreite und Fensterlage. Die zugrunde liegenden CT-Werte werden dadurch nicht verändert.

Maximum-Intensity-Projection (MIP): Bei diesem Verfahren werden aus einem dreidimensionalen Datensatz entlang einer definierten Projektionsrichtung jeweils die Voxel mit den höchsten Intensitätswerten dargestellt. Dadurch lassen sich beispielsweise kontrastierte Gefässe oder kleine pulmonale Noduli über mehrere Schichten hinweg hervorheben.

Neuronale Netze: Mathematische Modelle aus zahlreichen miteinander verbundenen Recheneinheiten. Während des Trainings werden deren Gewichtungen so angepasst, dass das Netzwerk charakteristische Zusammenhänge in den Trainingsdaten erlernt und auf neue Daten anwenden kann.

Deep Learning: Verfahren des maschinellen Lernens, die neuronale Netze mit vielen aufeinanderfolgenden Verarbeitungsebenen verwenden. In der medizinischen Bildgebung können sie unter anderem zur Bildrekonstruktion, Rauschreduktion, Segmentierung oder Bildanalyse eingesetzt werden.

Gray-Box-Modelle: Sie kombinieren bekannte mathematische oder physikalische Verfahren mit lernenden Komponenten. Bei der Bildrekonstruktion kann beispielsweise die bekannte Physik der Datenakquisition berücksichtigt werden, während einzelne Verarbeitungsschritte durch ein trainiertes neuronales Netz unterstützt oder ersetzt werden.

k-Raum: Der Begriff „Raum“ bezeichnet hier kein anatomisches Volumen, sondern ein mathematisches Ordnungssystem für die während der MRT gemessenen Signale. Anders als im fertigen Bild werden die Daten nicht nach ihrer Position im Körper, sondern nach ihren räumlichen Frequenzen angeordnet. Vereinfacht gesagt enthalten unterschiedliche Bereiche des k-Raums Informationen über Bildkontrast sowie gröbere und feinere Bildstrukturen. Durch die Fourier-Transformation werden diese Frequenzinformationen in die räumliche Darstellung des anatomischen MRT-Bildes umgerechnet.

KI greift zunehmend in die Entstehung radiologischer Bilder ein

Digitale Bildverarbeitung gehört seit Jahrzehnten zur Radiologie. Gefilterte Rückprojektion, iterative Rekonstruktionen, Kantenfilter, Kontrastanpassungen oder Maximum-Intensity-Projections sind etablierte Verfahren. Ihre mathematischen beziehungsweise physikalischen Grundlagen sind bekannt und ihre Auswirkungen auf die Bilddarstellung grundsätzlich nachvollziehbar.

Mit Deep Learning kommen Verfahren hinzu, deren interne Entscheidungswege erheblich komplexer sein können. Insbesondere sogenannte Black-Box-Modelle werden anhand grosser Datenmengen trainiert. Während des Trainings entstehen zahlreiche Parameter und Gewichtungen. Deshalb lässt sich später nicht immer im Einzelnen nachvollziehen, warum bestimmte Eingangsdaten zu genau diesem Ergebnis geführt haben.

Gray-Box-Modelle verbinden dagegen bekannte physikalische oder mathematische Komponenten der Bildentstehung mit lernenden Verfahren. Gerade für die medizinische Bildrekonstruktion ist dieser Ansatz interessant, weil vorhandenes Wissen über die Physik der Datenakquisition nicht vollständig durch ein neuronales Netz ersetzt werden muss.

Rauschreduktion als wichtiges Einsatzgebiet

Eines der wichtigsten Einsatzgebiete künstlicher Intelligenz in der radiologischen Bildgebung ist die Rauschreduktion. Besonders in der Computertomographie besteht ein enger Zusammenhang zwischen Strahlenexposition und Bildrauschen. Eine Reduktion dosisbestimmender Untersuchungsparameter kann die Exposition vermindern, führt jedoch zunächst zu stärkerem Bildrauschen und kann damit die diagnostische Bildqualität beeinträchtigen.

Deep-Learning-Verfahren sollen diesen Zielkonflikt entschärfen. Neuronale Netze können beispielsweise darauf trainiert werden, stärker verrauschte Bilder so zu verarbeiten, dass sie rauscharmen Referenzbildern möglichst ähnlich werden. Ziel ist eine Verringerung des Rauschens bei möglichst vollständigem Erhalt von räumlicher Auflösung, Kontrast und diagnostisch relevanten Strukturen.

Solche Verfahren werden insbesondere in der CT bereits klinisch eingesetzt. Der mögliche Vorteil liegt auf der Hand: Bei gleicher Strahlenexposition kann sich die Bildqualität verbessern. Alternativ kann bei vergleichbarer diagnostischer Aussagekraft eine geringere Exposition möglich sein.

Genau an dieser Stelle beginnt allerdings auch die zentrale Herausforderung. Ein neuronales Netz kennt nicht die anatomische Wahrheit des einzelnen Patienten. Es hat anhand seiner Trainingsdaten gelernt, bestimmte Muster zu erkennen und zu verarbeiten. Deshalb muss sichergestellt werden, dass die Rauschreduktion keine diagnostisch relevante Information abschwächt, verändert oder hinzufügt.

Bildrekonstruktion und Bildverarbeitung sind nicht dasselbe

Für die Beurteilung KI-basierter Verfahren ist die Unterscheidung zwischen Bildrekonstruktion und nachträglicher Bildverarbeitung wichtig. Bei der Bildrekonstruktion entsteht aus den gemessenen Rohdaten ein medizinisches Bild beziehungsweise ein dreidimensionaler Bilddatensatz. In der CT stammen diese Rohdaten aus den gemessenen Projektionen, in der MRT aus dem k-Raum.

Bei der Nachverarbeitung wird dagegen ein bereits rekonstruiertes Bild verändert. KI kann an beiden Stellen eingesetzt werden. Lernende Komponenten können direkt in den Rekonstruktionsprozess integriert oder nachträglich zur Rauschreduktion, Verbesserung der Darstellung oder Artefaktkorrektur verwendet werden.

Besonders interessant sind hybride Rekonstruktionsverfahren, bei denen bekannte physikalische Modelle mit trainierbaren Komponenten kombiniert werden. Solche Ansätze nutzen weiterhin das Wissen über die zugrunde liegende Bildentstehung und verbinden es mit den Möglichkeiten lernender Systeme.

Superresolution und Artefaktreduktion

Deep Learning kann nicht nur das Bildrauschen reduzieren. Weitere Ansätze versuchen, die räumliche Auflösung zu verbessern oder Artefakte zu vermindern. Mögliche Anwendungen reichen von der Metallartefaktreduktion über Bewegungskorrekturen bis zur Verbesserung von Rekonstruktionen bei unvollständigen Projektionsdaten.

Unter Superresolution versteht man Verfahren, die aus Bilddaten mit geringerer räumlicher Auflösung eine Darstellung mit höherer Auflösung erzeugen sollen. Dabei ist eine wichtige Grenze zu beachten: Fehlende Messinformation kann ein Algorithmus nicht nachträglich messen. Ein lernendes System kann vielmehr anhand erlernter Zusammenhänge abschätzen, welche Bildstruktur wahrscheinlich zu den vorhandenen Daten passt.

Gerade deshalb muss überprüft werden, ob eine sichtbar verbesserte Darstellung tatsächlich diagnostische Information erhält oder verbessert – und nicht lediglich plausibel erscheinende Strukturen erzeugt.

Ein besser aussehendes Bild ist nicht automatisch diagnostisch besser

Für die Radiologie ist dies wahrscheinlich die entscheidende Frage beim Einsatz künstlicher Intelligenz. KI-basierte Rekonstruktionen können einen sehr homogenen, rauscharmen und scharfen Bildeindruck erzeugen. Diese visuelle Qualität darf jedoch nicht automatisch mit diagnostischer Qualität gleichgesetzt werden.

Entscheidend ist, ob pathologische Strukturen mindestens mit derselben diagnostischen Sicherheit erkannt werden können wie bei einem etablierten Referenzverfahren. Sensitivität und Spezifität sind deshalb letztlich wichtiger als ein subjektiv angenehmer Bildeindruck.

Auch scheinbar kleine Veränderungen können diagnostisch relevant sein. Die Begrenzung einer Läsion, eine diskrete Unregelmässigkeit einer Organoberfläche, eine geringe Wandverdickung oder eine schwach kontrastierte Struktur können für die Befundung entscheidend sein.

KI-basierte Bildverarbeitung kann solche Strukturen grundsätzlich verändern. Eine ursprünglich glatte Organoberfläche könnte beispielsweise unregelmässiger erscheinen oder ein unscharfer anatomischer Übergang als scheinbare Wandverdickung dargestellt werden. Umgekehrt können diskrete Befunde durch eine starke Rauschunterdrückung weniger auffällig werden.

Kann eine KI Strukturen erzeugen oder verschwinden lassen?

Bei Deep-Learning-Verfahren sind grundsätzlich sowohl falsch positive als auch falsch negative Bildveränderungen möglich. Ein Rauschmuster oder Artefakt kann so verarbeitet werden, dass daraus eine scheinbar anatomisch plausible Struktur entsteht. Umgekehrt kann eine tatsächlich vorhandene Niedrigkontrastläsion als Rauschen interpretiert und abgeschwächt werden.

Für künstlich erzeugte Bildinformationen wird häufig der Begriff Halluzination verwendet. Im Zusammenhang mit der radiologischen Bildgebung bezeichnet er eine Bildinformation, die der Algorithmus erzeugt, obwohl sie in den zugrunde liegenden Messdaten nicht in entsprechender Weise vorhanden war.

Das umgekehrte Problem ist mindestens ebenso relevant: Ein tatsächlich vorhandener Befund kann durch Rauschreduktion, Glättung oder andere Verarbeitungsschritte weniger deutlich sichtbar werden oder im ungünstigsten Fall verschwinden.

Besonders problematisch sind dabei nicht offensichtlich fehlerhafte Bilder. Kritischer sind subtile und anatomisch plausibel erscheinende Veränderungen, die wie reale Pathologie aussehen oder eine tatsächlich vorhandene Pathologie kaschieren.

Trainingsdaten bestimmen die Grenzen eines KI-Systems

Die Leistungsfähigkeit eines neuronalen Netzes hängt wesentlich von seinen Trainingsdaten ab. Ein Algorithmus kann mit Strukturen und Variationen besonders zuverlässig umgehen, wenn diese in den verwendeten Daten ausreichend repräsentiert waren oder den Trainingsdaten hinreichend ähnlich sind.

Deshalb reicht es nicht, lediglich eine möglichst grosse Zahl von Bildern zum Training zu verwenden. Die Daten müssen die klinische Realität möglichst breit abbilden. Dazu gehören unterschiedliche Altersgruppen, Körpergewichte und Pathologien ebenso wie unterschiedliche Geräte, Untersuchungsprotokolle, Rekonstruktionsparameter und Bildqualitäten.

Wurde ein Algorithmus beispielsweise überwiegend mit Untersuchungen normalgewichtiger Patienten trainiert, ist nicht automatisch gewährleistet, dass er bei ausgeprägter Adipositas dieselbe Leistungsfähigkeit besitzt. Gleiches gilt für seltene Erkrankungen, ungewöhnliche Anatomie, Implantate oder Untersuchungsprotokolle, die in den Trainingsdaten kaum vertreten waren.

Das Problem der Out-of-Distribution-Daten

Daten, die wesentlich ausserhalb der Verteilung der Trainingsdaten liegen, werden als Out-of-Distribution-Daten bezeichnet. Gerade hier kann das Verhalten eines neuronalen Netzes schwer vorhersehbar sein.

Für die klinische Radiologie ist dies von besonderer Bedeutung. Die Variabilität realer Patienten ist erheblich. Seltene anatomische Varianten, postoperative Veränderungen, ausgeprägte Adipositas, ungewöhnliche Implantate oder seltene Erkrankungen können Situationen erzeugen, die während der Entwicklung eines Systems kaum oder überhaupt nicht vorhanden waren.

Idealerweise sollte ein KI-System erkennen können, wenn Eingangsdaten deutlich ausserhalb seines validierten Anwendungsbereichs liegen. Eine zuverlässige automatische Erkennung solcher Situationen ist jedoch selbst eine anspruchsvolle Aufgabe.

Warum klassische Qualitätssicherung bei KI an Grenzen stösst

Die Qualität radiologischer Bildgebung wird traditionell unter anderem mit standardisierten Phantomen überprüft. Damit lassen sich beispielsweise räumliche Auflösung, Kontrast und Rauschen reproduzierbar messen.

Bei lernenden Verfahren entsteht ein zusätzliches Problem. Ein neuronales Netz kann auf bekannte und wiederkehrende Strukturen anders reagieren als auf die grosse Variabilität realer Patienten. Gute Ergebnisse bei einem standardisierten Phantom lassen deshalb nicht zwangsläufig darauf schliessen, dass auch sämtliche klinisch relevanten Strukturen bei realen Untersuchungen zuverlässig dargestellt werden.

Hinzu kommt, dass konventionelle Messgrössen die diagnostische Bedeutung subtiler Bildveränderungen nicht immer ausreichend erfassen. Ein KI-bearbeitetes Bild kann bei klassischen Qualitätsparametern hervorragend abschneiden und dennoch diagnostisch relevante Details verändern.

Geeignete Prüfverfahren für KI-basierte Rekonstruktions- und Bildverarbeitungsverfahren sind deshalb ein wichtiger Bestandteil moderner radiologischer Qualitätssicherung.

Human-Observer-Studien bleiben entscheidend

Aus klinischer Sicht muss letztlich beantwortet werden, ob Radiologinnen und Radiologen mit einem KI-basierten Verfahren relevante Befunde mindestens ebenso zuverlässig erkennen können wie mit einem etablierten Referenzverfahren.

Eine wichtige Rolle spielen deshalb Human-Observer-Studien. Dabei untersuchen qualifizierte Befunder definierte Fallkollektive. Im Mittelpunkt steht nicht nur die Frage, ob ein Bild schärfer oder rauschärmer erscheint, sondern ob sich diagnostische Sensitivität und Spezifität erhalten oder verbessern.

Solche Untersuchungen sind aufwendig. Sie benötigen ausreichend grosse und repräsentative Fallkollektive, unterschiedliche Pathologien sowie mehrere qualifizierte Befunder. Sie sind jedoch besonders wichtig, wenn rein technische Messgrössen die diagnostische Qualität eines Verfahrens nicht ausreichend beschreiben können.

Dosisreduktion durch KI – grosses Potenzial, aber kein Freibrief

Ein besonders attraktives Einsatzgebiet ist die Dosisoptimierung in der Computertomographie und anderen röntgenbasierten Verfahren. Wenn KI-basierte Rekonstruktionen mit stärker verrauschten Eingangsdaten umgehen können, erscheint es naheliegend, die Strahlenexposition zu reduzieren.

Eine solche Dosisreduktion ist jedoch nur dann gerechtfertigt, wenn die diagnostische Aussagekraft erhalten bleibt. Es reicht nicht aus, dass ein Niedrigdosisbild nach der KI-Verarbeitung ähnlich aussieht wie ein Bild mit höherer Dosis. Entscheidend ist, ob die für die jeweilige Fragestellung relevanten Strukturen weiterhin zuverlässig erkannt werden können.

Gerade bei kleinen Niedrigkontrastläsionen kann die Grenze zwischen gewünschter Rauschunterdrückung und unerwünschtem Informationsverlust schmal sein. Eine mögliche Dosisreduktion muss deshalb für den jeweiligen klinischen Anwendungsbereich validiert werden.

Konventionelle Rekonstruktionen als Referenz

Solange die Auswirkungen KI-basierter Rekonstruktionsverfahren nicht für sämtliche klinisch relevanten Situationen zuverlässig bekannt sind, kann die Möglichkeit eines Vergleichs mit einer konventionellen Rekonstruktion hilfreich sein.

Bei ungewöhnlichen Befunden, unerwarteten Bildmustern oder Zweifeln an der Plausibilität einer Struktur lässt sich dadurch überprüfen, ob eine Auffälligkeit bereits in der konventionellen Rekonstruktion vorhanden war oder möglicherweise erst durch die KI-basierte Verarbeitung entstanden ist.

Auch Softwareupdates verdienen Aufmerksamkeit. Veränderungen eines KI-Modells können den Bildeindruck beeinflussen. Gerade bei Verlaufskontrollen sollte berücksichtigt werden, dass scheinbare Veränderungen eines Befundes auch durch eine geänderte Rekonstruktions- oder Bildverarbeitungssoftware beeinflusst werden können.

Die Rolle des Radiologen verändert sich

Künstliche Intelligenz nimmt Radiologinnen und Radiologen die Verantwortung für die diagnostische Interpretation nicht ab. Je stärker lernende Algorithmen bereits vor der eigentlichen Befundung in die Bildentstehung eingreifen, desto wichtiger wird vielmehr das Verständnis ihrer Möglichkeiten und Grenzen.

Radiologinnen und Radiologen müssen nicht jedes neuronale Netz mathematisch nachvollziehen können. Sie sollten jedoch wissen, an welcher Stelle KI eingesetzt wird, welches Ziel das Verfahren verfolgt, für welche Untersuchungen es validiert wurde und welche typischen Fehlermöglichkeiten bestehen.

Hinzu kommt ein weiterer Aspekt: Je zuverlässiger automatisierte Verfahren erscheinen, desto grösser kann die Gefahr werden, ihre Ergebnisse ungeprüft zu akzeptieren. Klinische Erfahrung, Plausibilitätsprüfung und die Fähigkeit, ungewöhnliche Bildmuster kritisch zu hinterfragen, bleiben deshalb wesentliche Bestandteile radiologischer Qualität.

Was sollte vor dem klinischen Einsatz eines KI-Verfahrens bekannt sein?

Für eine verantwortungsvolle Anwendung sollte klar definiert sein, welche konkrete Aufgabe ein KI-System erfüllt. Die Aussage, ein Verfahren „verbessere die Bildqualität“, ist dafür zu unspezifisch. Es sollte vielmehr nachvollziehbar sein, ob beispielsweise Rauschen reduziert, die räumliche Auflösung verbessert, ein bestimmtes Artefakt korrigiert oder eine definierte Dosisreduktion ermöglicht werden soll.

Ebenso relevant sind Informationen über den vorgesehenen Anwendungsbereich, die verwendeten Geräte und Protokolle sowie die Patientenkollektive, anhand derer das Verfahren entwickelt und getestet wurde. Trainings-, Validierungs- und Testdaten sollten voneinander getrennt sein.

Eine unabhängige Überprüfung mit Daten, die während der Entwicklung nicht verwendet wurden, ist für die Beurteilung der Generalisierbarkeit besonders wichtig. Für die klinische Anwendung müssen zudem mögliche Limitierungen bekannt sein. Dazu gehört insbesondere die Frage, ob Fehler offensichtlich als Artefakt erscheinen oder ob subtile Veränderungen entstehen können, die wie echte Pathologie wirken.

Qualitätssicherung endet nicht mit der Zulassung

Auch ein validiertes KI-System arbeitet nicht zwangsläufig unter allen zukünftigen Bedingungen unverändert zuverlässig. Neue Geräte, geänderte Untersuchungsprotokolle, Softwareupdates oder Veränderungen des Patientenkollektivs können dazu führen, dass sich die Eingangsdaten von den ursprünglich verwendeten Trainings- und Testdaten entfernen.

Eine solche Veränderung der Datenverteilung im Laufe der Zeit wird als Data Drift bezeichnet. Deshalb ist eine kontinuierliche Beobachtung der Leistungsfähigkeit auch nach Einführung eines Systems sinnvoll. Auffällige oder möglicherweise fehlerhafte Ergebnisse sollten dokumentiert und analysiert werden können.

KI-basierte Bildrekonstruktion und Bildverarbeitung müssen damit als Bestandteil des gesamten radiologischen Qualitätsmanagements verstanden werden und nicht lediglich als zusätzliche Softwarefunktion eines Gerätes.

Fazit

Künstliche Intelligenz bietet der radiologischen Bildgebung erhebliche Möglichkeiten. KI-basierte Verfahren können Rauschen reduzieren, Rekonstruktionen verbessern, Artefakte vermindern und dazu beitragen, Untersuchungen schneller oder bei röntgenbasierten Verfahren mit geringerer Strahlenexposition durchzuführen.

Gleichzeitig verändert sich damit die Beziehung zwischen Messdaten und dem Bild, das letztlich befundet wird. Lernende Verfahren können nicht nur vorhandene Informationen besser sichtbar machen, sondern im ungünstigen Fall auch relevante Strukturen abschwächen, verändern oder scheinbar neue Bildinhalte erzeugen.

Der entscheidende Qualitätsmassstab darf deshalb nicht sein, ob ein Bild besonders glatt, scharf oder ästhetisch überzeugend erscheint. Entscheidend ist die diagnostische Sicherheit: Relevante Pathologien müssen mindestens ebenso zuverlässig erkannt werden wie mit etablierten Verfahren.

Für die Radiologie bedeutet dies nicht, auf künstliche Intelligenz zu verzichten. Vielmehr müssen die neuen Möglichkeiten mit einer ebenso modernen Qualitätssicherung verbunden werden. Die Zukunft der KI in der radiologischen Bildgebung wird deshalb nicht allein davon abhängen, wie leistungsfähig die Algorithmen werden, sondern auch davon, wie zuverlässig wir ihre Grenzen erkennen.

Literatur

  • Strahlenschutzkommission (SSK). Anwendung von künstlicher Intelligenz bei der Bildrekonstruktion und -verarbeitung in Radiologie und Nuklearmedizin. Empfehlung der Strahlenschutzkommission, verabschiedet in der 339. Sitzung am 27./28. Oktober 2025.
  • Adler J, Oktem O. Learned Primal-Dual Reconstruction. IEEE Trans Med Imaging. 2018;37(6):1322–1332. doi:10.1109/TMI.2018.2799231.
  • Balogh ZA, Janos Kis B. Comparison of CT noise reduction performances with deep learning-based, conventional, and combined denoising algorithms. Med Eng Phys. 2022;109:103897. doi:10.1016/j.medengphy.2022.103897.
  • Hammernik K, Klatzer T, Kobler E, et al. Learning a variational network for reconstruction of accelerated MRI data. Magn Reson Med. 2018;79(6):3055–3071. doi:10.1002/mrm.26977.
  • Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Springer; 2015.
  • Duan L, Eulig E, Knaup M, Adamus R, Lell M, Kachelriess M. Training of a deep learning based digital subtraction angiography method using synthetic data. Med Phys. 2024;51(7):4793–4810. doi:10.1002/mp.16973.

Must Read

Nach oben scrollen