ISBN 9783843957311

978-3-8439-5731-1, Reihe Medizin

Philipp Hans Rebmann
Neuronale Netzwerke zur Erkennung von Frakturen, Weichteilschwellungen, Osteosynthesematerial und Hartverbänden sowie des Patientengeschlechts anhand von Röntgenbildern des Sprunggelenks

103 Seiten, Dissertation Albert-Ludwigs-Universität Freiburg im Breisgau (2026), Softcover, A5

Zusammenfassung / Abstract

Hintergrund: Untersuchung des Potenzials Künstlicher Intelligenz (KI) für die konventionelle muskuloskelettale Bildgebung am Beispiel des Sprunggelenks.

Methodik: Es wurde ein Datensatz von 7315 am Universitätsklinikum Freiburg erhobenen Röntgenuntersuchungen des Sprunggelenks mit insgesamt 14465 einzelnen Aufnahmen von 5397 Patienten aufgebaut und strukturiert annotiert. Die Annotation erfolgte dabei in den Kategorien OSG-Fraktur, Weichteilschwellung, Osteosynthesematerial, Hartverband und Patientengeschlecht. Convolutional Neural Networks (CNN) verschiedener Architekturen wurden hinsichtlich der Erkennung der genannten Befunde trainiert und getestet.

Ergebnisse: Die erzielten Klassifizierungsperformances zeigen, dass künstliche neuronale Netzwerke in der Lage sind, Pathologien wie Frakturen (AUC > 0.90 anterior-posterior (a.p.) und AUC > 0.88 lateral (lat.)) und Weichteilschwellungen (AUC > 0.90 a.p. und AUC > 0.83 lat.) sowie therapeutische Fremdmaterialien (AUC > 0.99 a.p. und lat.) auf Röntgenbildern des Sprunggelenks zuverlässig zu identifizieren. Zudem konnte das Patientengeschlecht mit hoher Genauigkeit erkannt (AUC > 0.99 a.p. und lat.) und damit demonstriert werden, dass mittels KI auch subtile, dem menschlichen Auge weitgehend verborgene Merkmale in der muskuloskelettalen Radiologie sicher detektierbar sind.

Schlussfolgerung: Eine Integration Künstlicher Intelligenz in die klinische Routine bietet großes Potenzial, die radiologische Befundung zu unterstützen und damit die Behandlungsqualität der Patienten in Zukunft weiter zu verbessern.