Mammographie-Physik

Was ist die digitale Brusttomosynthese?

Die digitale Brusttomosynthese (DBT) ist ein Pseudo-3D-Verfahren zur Früherkennung von Anzeichen für Brustkrebs. Sie wurde entwickelt, um die Erkennung verdächtiger Strukturen im Vergleich zur (2D) digitalen Vollfeld-Mammographie (FFDM) zu verbessern, indem die Maskierung der Läsionen durch die normale Brustanatomie und die Überlagerung von Strukturen reduziert wird. Der klinische Wert der DBT in der Diagnostik und im Brustkrebs-Screening im Vergleich zur FFDM wurde bereits untersucht, und verschiedene Studien zur Beobachterleistung haben gezeigt, dass die DBT als eigenständige Modalität oder in Kombination mit anderen diagnostischen Techniken die Krebserkennung im Vergleich zur alleinigen FFDM erhöht. Diese Ergebnisse führten dazu, dass die Zahl der DBT-Systeme in der klinischen Praxis zunahm.

Prototyp eines anthropomorphen Testphantoms

Die wichtigsten Merkmale des Phantoms sind: seine äußere Form – die einem halben Zylinder entspricht (200 mm Durchmesser, 48 mm Höhe), - die 3D-Hintergrundstruktur, die aus in Wasser getauchten PMMA-Kugeln mit verschiedenen Durchmessern besteht, und läsionsähnliche Modelle in verschiedenen Größen, die auf ihre Erkennbarkeit getestet werden können. Der Unterschied im Abschwächungskoeffizienten zwischen PMMA und Wasser entspricht in etwa dem Unterschied zwischen Fett- und Drüsengewebe. Das aktuelle Phantom besteht aus 4x fünf Clustern mit Mikroverkalkungen mit zunehmendem Durchmesser von 90 µm bis 250 µm, nicht nadelförmigen Läsionen, die auf realen Läsionsmodellen aus einer Datenbank basieren (von 1,6 mm bis 6,2 mm), und nadelförmigen Läsionen (immer das gleiche Modell mit unterschiedlichen Größen von 3,8 mm bis 9,7 mm mit Nadeln auf der Oberfläche).

Diagnose von Mammographie-Bildern mit Software für künstliche Intelligenz (AI)

In einem Pilotprojekt gemeinsam mit Braincon (iCAD-Vertreter für Österreich) und dem Radiologicum Margareten (Screening- und Assessment-Einheit im österreichischen Mammographie-Screening-Programm) evaluieren wir die diagnostischen Erkennungsraten von „Profound AI“ im Vergleich zu den Ergebnissen von RadiologInnen. In der Folge wird auch die CAD-Software von Hologic evaluiert und ein direkter Vergleich der beiden AIs geplant.

Klinische Performance-Vorteile von „Profound“ aus früheren Studien

Basierend auf den Ergebnissen der FDA-Reader-Studie bietet die Software RadiologInnen:

• 8,0% Steigerung der Empfindlichkeit
• 6,9% durchschnittliche Steigerung der Spezifität
• 7,2% durchschnittliche Reduzierung der Rückrufe
• 5,7% durchschnittliche Verbesserung der AUC der RadiologInnen
• 52,7% Verkürzung der Lesezeit

Workflow-Vorteile

• KI-Algorithmus mit überlegener Leistung bei der Erkennung von Brustkrebs und hoher Spezifität bei geringer Anzahl falsch positiver Ergebnisse
• Sichere Befunde und Fallbewertungen zur Unterstützung der klinischen Entscheidungsfindung und Priorisierung von Fällen
• Workflow-Lösung, die schnelle Ergebnisse liefert, während sie jedes Bild auf Entdeckungen analysiert
• Deep Learning-Technologie ermöglicht eine kontinuierliche Verbesserung der Algorithmusleistung durch Updates

Forschungsgruppen

Gruppe Konventionelle Bildgebungsphysik und Bildverarbeitung