Skip to main content
SpringerLink
Log in

Radiomics – KI-basierte Bildanalyse

Radiomics—AI-based image analysis

  • Hauptreferate: Aktuelle Habilitationen
  • Published:
Der Pathologe Aims and scope Submit manuscript

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.

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.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2

Literatur

  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

    Article  PubMed  PubMed Central  Google Scholar 

  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

    Article  Google Scholar 

  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

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  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

    Article  PubMed  PubMed Central  Google Scholar 

  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

    Article  PubMed  PubMed Central  Google Scholar 

  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 3

    Google Scholar 

  7. Demircioglu A, Koitka S, Nensa F (2019) Big Imaging Data: Klinische Bildanalyse mit Radiomics und Deep Learning. Nuklearmediziner 42:97–111

    Article  Google Scholar 

  8. Deutsche Radiologie in Zahlen. https://www.radiologie.de/deutsche-radiologie-zahlen/. Zugegriffen: 08. Juli 2019

  9. Finlayson SG, Chung HW, Kohane IS, Beam AL (2018) Adversarial attacks against medical deep learning systems. ArXiv180405296 Cs Stat

    Google Scholar 

  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

    Article  PubMed  PubMed Central  Google Scholar 

  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 2672–2680

    Google Scholar 

  12. Harlow CA, Dwyer SJ, Lodwick G (1976) On radiographic image analysis. In: Digit. Pict. Anal. Springer, Berlin Heidelberg, S 65–150

    Chapter  Google Scholar 

  13. Hinton G On radiology – YouTube. https://www.youtube.com/watch?v=2HMPRXstSvQ. Zugegriffen: 8. Juli 2019

  14. Lahiani A, Navab N, Albarqouni S, Klaiman E (2019) Perceptual embedding consistency for seamless reconstruction of tilewise style transfer. ArXiv190600617 Cs Eess

    Book  Google Scholar 

  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

    Article  PubMed  PubMed Central  Google Scholar 

  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. Mirsky Y, Mahler T, Shelef I, Elovici Y (2019) CT-GAN: malicious tampering of 3D medical imagery using deep learning. ArXiv190103597 Cs

    Google Scholar 

  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

    Article  CAS  PubMed  Google Scholar 

  19. Rosenfeld A, Dwyer SJ (1976) Digital picture analysis. Springer, Berlin

    Book  Google Scholar 

  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 410–417

    Google Scholar 

  21. Shaban MT, Baur C, Navab N, Albarqouni S (2018) StainGAN: stain style transfer for digital histological images. ArXiv180401601 Cs

    Google Scholar 

  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

    Article  PubMed  Google Scholar 

  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

    Article  PubMed  PubMed Central  Google Scholar 

  24. Zhu J‑Y, Park T, Isola P, Efros AA (2017) Unpaired image-to-image translation using cycle-consistent adversarial networks. ArXiv170310593 Cs

    Book  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Institut für Diagnostische und Interventionelle Radiologie und Neuroradiologie, Universitätsklinikum Essen, Hufelandstr. 55, 45147, Essen, Deutschland

    A. Demircioğlu

Authors
  1. A. Demircioğlu
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to A. Demircioğlu.

Ethics declarations

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.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Demircioğlu, A. Radiomics – KI-basierte Bildanalyse. Pathologe 40 (Suppl 3), 271–276 (2019). https://doi.org/10.1007/s00292-019-00704-8

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00292-019-00704-8

Schlüsselwörter

Keywords

Search

Navigation