Evelyn Wenkel
Research Subjects
Evelyn Wenkel has a total of 71 co-authors. Here are the top co-authors by number of shared publications:
- Michael Uder
Institute of Radiology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91054 Erlangen, Germany
11 shared publications - Sabine Ohlmeyer
Institute of Radiology, Universitätsklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91054 Erlangen, Germany
10 shared publications - Stephanie Tina Sauer
Department of Diagnostic and Interventional Radiology, University Hospital Würzburg, 97080 Würzburg, Germany
7 shared publications - Frederik Bernd Laun
Institute of Radiology, Universitätsklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91054 Erlangen, Germany
6 shared publications Petra Wunderlich
Radiological Site, Sachsen, Germany
6 shared publications- Sebastian Bickelhaupt
Institute of Radiology, Universitätsklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91054 Erlangen, Germany
6 shared publications
Latest Publications
- 18 September 2026
- Published by Georg Thieme Verlag KG in Senologie - Zeitschrift für Mammadiagnostik und -therapie
- Vol. 23 (03) , 236-246
Digitale Brust-Tomosynthese und Befundung mit künstlicher Intelligenz
Zusammenfassung: Die digitale Brust-Tomosynthese (DBT) erhöht die Sensitivität und Spezifität im Vergleich zur digitalen Mammografie (DM) in der Brustkrebs-Früherkennung. Potenziale künstlicher Intelligenz (KI) in der mammografischen Befundung einschließlich einer Reduktion der Arbeitslast werden zunehmend berichtet. Darstellung der aktuellen Evidenz zur Wirksamkeit von DBT versus DM in der bevölkerungsbezogenen Brustkrebs-Früherkennung und deren Unterstützung durch KI. Narrative Übersichtsarbeit mit themengeleiteter Literatursuche vergleichender Studien von DBT und DM sowie zum KI-Einsatz in PubMed von 01/2016 bis 09/2025. In 42 internationalen Studien lag die Brustkrebsdetektionsrate mit DBT + DM (6,4‰) und DBT + synthetischer Mammografie (SM) (7,4‰) signifikant höher als mit DM (4,7‰). Konkordant berichtete die größte randomisierte TOSYMA-Studie eine höhere invasive Brustkrebsdetektionsrate mit DBT + SM (7,1‰) versus DM (4,8‰) bei niedrigerer falsch-positiver Rückrufrate (Erstteilnahme –15,6‰). Der positive prädiktive Wert (PPV) des Rückrufs war – konsistent mit Metaanalysen – höher (+4,9%), gleichzeitig stieg die Befundungszeit. Bei geringerer Anzahl von KI-Studien mit DBT als DM berichtete eine DBT-Metaanalyse eine höhere Sensitivität durch KI allein (89%) als durch Befunder (78 %) bei geringerer Spezifität der KI. DBT mit KI-unterstützter Befundung im Vergleich zur alleinigen menschlichen Befundung steigerte die Detektionsrate in einer prospektiven Studie um +3,8‰ ohne relevante Änderung der Rückrufrate (+0,8%). DBT erhöht in der Früherkennung die Brustkrebsdetektionsrate im Vergleich zur DM bei günstigeren Prozessparametern. KI-Befundungsstrategien können die Sensitivität weiter erhöhen und menschliche Arbeitszeit reduzieren. Der Einfluss von DBT und KI auf die Intervallkarzinomrate als Effektivitätsparameter ist noch nicht belegt.
- 18 September 2026
- Published by Georg Thieme Verlag KG in Senologie - Zeitschrift für Mammadiagnostik und -therapie
- Vol. 23 (03) , 236-246
Digitale Brust-Tomosynthese und Befundung mit künstlicher Intelligenz
Zusammenfassung: Die digitale Brust-Tomosynthese (DBT) erhöht die Sensitivität und Spezifität im Vergleich zur digitalen Mammografie (DM) in der Brustkrebs-Früherkennung. Potenziale künstlicher Intelligenz (KI) in der mammografischen Befundung einschließlich einer Reduktion der Arbeitslast werden zunehmend berichtet. Darstellung der aktuellen Evidenz zur Wirksamkeit von DBT versus DM in der bevölkerungsbezogenen Brustkrebs-Früherkennung und deren Unterstützung durch KI. Narrative Übersichtsarbeit mit themengeleiteter Literatursuche vergleichender Studien von DBT und DM sowie zum KI-Einsatz in PubMed von 01/2016 bis 09/2025. In 42 internationalen Studien lag die Brustkrebsdetektionsrate mit DBT + DM (6,4‰) und DBT + synthetischer Mammografie (SM) (7,4‰) signifikant höher als mit DM (4,7‰). Konkordant berichtete die größte randomisierte TOSYMA-Studie eine höhere invasive Brustkrebsdetektionsrate mit DBT + SM (7,1‰) versus DM (4,8‰) bei niedrigerer falsch-positiver Rückrufrate (Erstteilnahme –15,6‰). Der positive prädiktive Wert (PPV) des Rückrufs war – konsistent mit Metaanalysen – höher (+4,9%), gleichzeitig stieg die Befundungszeit. Bei geringerer Anzahl von KI-Studien mit DBT als DM berichtete eine DBT-Metaanalyse eine höhere Sensitivität durch KI allein (89%) als durch Befunder (78 %) bei geringerer Spezifität der KI. DBT mit KI-unterstützter Befundung im Vergleich zur alleinigen menschlichen Befundung steigerte die Detektionsrate in einer prospektiven Studie um +3,8‰ ohne relevante Änderung der Rückrufrate (+0,8%). DBT erhöht in der Früherkennung die Brustkrebsdetektionsrate im Vergleich zur DM bei günstigeren Prozessparametern. KI-Befundungsstrategien können die Sensitivität weiter erhöhen und menschliche Arbeitszeit reduzieren. Der Einfluss von DBT und KI auf die Intervallkarzinomrate als Effektivitätsparameter ist noch nicht belegt.
- 4 March 2026
- Published by Georg Thieme Verlag KG in RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren
- Vol. 198 (10) , 1271-1281
Digitale Brust-Tomosynthese und Befundung mit künstlicher Intelligenz
Zusammenfassung: Die digitale Brust-Tomosynthese (DBT) erhöht die Sensitivität und Spezifität im Vergleich zur digitalen Mammografie (DM) in der Brustkrebs-Früherkennung. Potenziale künstlicher Intelligenz (KI) in der mammografischen Befundung einschließlich einer Reduktion der Arbeitslast werden zunehmend berichtet. Darstellung der aktuellen Evidenz zur Wirksamkeit von DBT versus DM in der bevölkerungsbezogenen Brustkrebs-Früherkennung und deren Unterstützung durch KI. Narrative Übersichtsarbeit mit themengeleiteter Literatursuche vergleichender Studien von DBT und DM sowie zum KI-Einsatz in PubMed von 01/2016 bis 09/2025. In 42 internationalen Studien lag die Brustkrebsdetektionsrate mit DBT + DM (6,4‰) und DBT + synthetischer Mammografie (SM) (7,4‰) signifikant höher als mit DM (4,7‰). Konkordant berichtete die größte randomisierte TOSYMA-Studie eine höhere invasive Brustkrebsdetektionsrate mit DBT + SM (7,1‰) versus DM (4,8‰) bei niedrigerer falsch-positiver Rückrufrate (Erstteilnahme –15,6‰). Der positive prädiktive Wert (PPV) des Rückrufs war – konsistent mit Metaanalysen – höher (+4,9%), gleichzeitig stieg die Befundungszeit. Bei geringerer Anzahl von KI-Studien mit DBT als DM berichtete eine DBT-Metaanalyse eine höhere Sensitivität durch KI allein (89%) als durch Befunder (78 %) bei geringerer Spezifität der KI. DBT mit KI-unterstützter Befundung im Vergleich zur alleinigen menschlichen Befundung steigerte die Detektionsrate in einer prospektiven Studie um +3,8‰ ohne relevante Änderung der Rückrufrate (+0,8%). DBT erhöht in der Früherkennung die Brustkrebsdetektionsrate im Vergleich zur DM bei günstigeren Prozessparametern. KI-Befundungsstrategien können die Sensitivität weiter erhöhen und menschliche Arbeitszeit reduzieren. Der Einfluss von DBT und KI auf die Intervallkarzinomrate als Effektivitätsparameter ist noch nicht belegt.
- 4 March 2026
- Published by Georg Thieme Verlag KG in RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren
- Vol. 198 (10) , 1271-1281
Digitale Brust-Tomosynthese und Befundung mit künstlicher Intelligenz
Zusammenfassung: Die digitale Brust-Tomosynthese (DBT) erhöht die Sensitivität und Spezifität im Vergleich zur digitalen Mammografie (DM) in der Brustkrebs-Früherkennung. Potenziale künstlicher Intelligenz (KI) in der mammografischen Befundung einschließlich einer Reduktion der Arbeitslast werden zunehmend berichtet. Darstellung der aktuellen Evidenz zur Wirksamkeit von DBT versus DM in der bevölkerungsbezogenen Brustkrebs-Früherkennung und deren Unterstützung durch KI. Narrative Übersichtsarbeit mit themengeleiteter Literatursuche vergleichender Studien von DBT und DM sowie zum KI-Einsatz in PubMed von 01/2016 bis 09/2025. In 42 internationalen Studien lag die Brustkrebsdetektionsrate mit DBT + DM (6,4‰) und DBT + synthetischer Mammografie (SM) (7,4‰) signifikant höher als mit DM (4,7‰). Konkordant berichtete die größte randomisierte TOSYMA-Studie eine höhere invasive Brustkrebsdetektionsrate mit DBT + SM (7,1‰) versus DM (4,8‰) bei niedrigerer falsch-positiver Rückrufrate (Erstteilnahme –15,6‰). Der positive prädiktive Wert (PPV) des Rückrufs war – konsistent mit Metaanalysen – höher (+4,9%), gleichzeitig stieg die Befundungszeit. Bei geringerer Anzahl von KI-Studien mit DBT als DM berichtete eine DBT-Metaanalyse eine höhere Sensitivität durch KI allein (89%) als durch Befunder (78 %) bei geringerer Spezifität der KI. DBT mit KI-unterstützter Befundung im Vergleich zur alleinigen menschlichen Befundung steigerte die Detektionsrate in einer prospektiven Studie um +3,8‰ ohne relevante Änderung der Rückrufrate (+0,8%). DBT erhöht in der Früherkennung die Brustkrebsdetektionsrate im Vergleich zur DM bei günstigeren Prozessparametern. KI-Befundungsstrategien können die Sensitivität weiter erhöhen und menschliche Arbeitszeit reduzieren. Der Einfluss von DBT und KI auf die Intervallkarzinomrate als Effektivitätsparameter ist noch nicht belegt.
- 9 December 2024
- Published by Georg Thieme Verlag KG in Senologie - Zeitschrift für Mammadiagnostik und -therapie
- Vol. 21 (04) , 282-287
Aktualisierung der Empfehlungen der AG Mammadiagnostik der Deutschen Röntgengesellschaft zur Durchführung der Mamma-MRT
Received: 06 April 2023 Accepted: 15 November 2023 Article published online: 09 December 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
- 9 December 2024
- Published by Georg Thieme Verlag KG in Senologie - Zeitschrift für Mammadiagnostik und -therapie
- Vol. 21 (04) , 282-287
Aktualisierung der Empfehlungen der AG Mammadiagnostik der Deutschen Röntgengesellschaft zur Durchführung der Mamma-MRT
Received: 06 April 2023 Accepted: 15 November 2023 Article published online: 09 December 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
- 25 October 2024
- Published by Georg Thieme Verlag KG in RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren
- Vol. 196 (11) , 1102-1103
Kommentar zu: „MAMMA – Mammografie: KI für den Erstbefund?“ und zu „KI identifiziert Karzinome auch bei extremer Brustdichte“
Die retrospektiven Studien befassen sich mit dem Einsatz der künstlichen Intelligenz [KI] im Rahmen des Mammografiescreenings in Dänemark und Norwegen. Die Screeningprogramme sind vergleichbar mit dem Patientenkollektiv und der Durchführung des Screenings in Deutschland. In der Studie aus Dänemark von Kühl et al. detektierte die KI Mammakarzinome mit einer gleichwertigen Genauigkeit wie der Erstbefunder im Screening. Allerdings wurden aufgrund der retrospektiven Auswertung die von der KI als positiv und vom menschlichen Befunder als negativ eingestuften Mammografien nicht wieder einbestellt. Dies ergibt eine mögliche Bevorzugung der Performance zugunsten der Erstbefunder. Das verwendete KI-System vergibt Punktwerte von 0 bis 100%. Der Schwellenwert bezüglich suspekt vs. nicht suspekt wurde der Performance der Erstbefunder angepasst, sodass die Ergebnisse nicht auf andere Screening-Modelle übertragbar sind. Das Ergebnis der Studie könnte auch gering durch den Vergleich mit dem Erstbefunder beeinflusst worden sein, da der Erstbefunder in Dänemark meist weniger Erfahrung hat als der Zweitbefunder. Die norwegische Studie von Bergan et al. untersuchte die KI-Performance unter Berücksichtigung der Brustdichte. Mehrere Triage-Szenarien wurden berechnet, indem sowohl die KI-Scores (1 bis 10) als auch die Brustdichte (4 Kategorien analog BI-RADS-Einteilung) mit einbezogen wurden. Das KI-System erbrachte über die verschiedenen Brustdichten hinweg eine konstante Leistung und zeigte sogar eine höhere Genauigkeit bei Patientinnen mit heterogenen oder extrem dichten Brüsten. Eine Kombination der Risikoscores der KI-Systeme mit der Brustdichte scheint somit sinnvoll zu sein. KI im Rahmen des Mammografiescreenings wurde bereits anhand differenter Szenarien untersucht. In Metaanalysen wurde der Einsatz der KI bei der Mammografiebefundung nicht eindeutig befürwortet, da in bisherigen Studien deutliche Einschränkungen bezüglich der generellen Übertragbarkeit auf das Screening bestehen. Als Einschränkungen seien hier kleine oder nicht-screening-typische Patientenkollektive genannt. Die prospektive MASAI-Studie randomisierte im Zeitraum von 4/2021 bis 7/2022 mehr als 80 000 Frauen im schwedischen Screening-Programm entweder in den Arm der standardisierten Doppelbefundung oder in den zur KI-unterstützen Einfachbefundung [1]. Das KI-gestützte Mammografiescreening führte in dieser Studie zu einer ähnlichen Krebsentdeckungsrate bei einer wesentlich geringeren Arbeitsbelastung im Vergleich zum konventionellen Screening, was darauf hindeutet, dass der Einsatz von KI im Mammografiescreening sicher ist. Der primäre Endpunkt der Intervallkrebsrate wird bei 100 000 Teilnehmerinnen erst nach einer Nachbeobachtungszeit von 2 Jahren bewertet werden können. KI im Rahmen von Screeningprogrammen wird in Zukunft definitiv eingesetzt werden, da ärztliche Ressourcen zur Befundung immer knapper werden. Die Frage ist nur, welche Aufgaben wir der KI überlassen. Denkbar sind Modelle, in denen die KI als Zweitbefunder agiert oder als Drittbefunder bei nichtkongruenten Ergebnissen von Befunder 1 und 2, als primäres Tool zur Vorselektion komplett unauffälliger Befunde oder als alleiniges Screeningtool [2]. Die Performance der Systeme wird auch von der Einstellung der Schwellenwerte abhängen. Die European Commission Initiative on Breast Cancer empfiehlt aktuell den Einsatz der KI im Screening lediglich als Unterstützung bei der Doppelbefundung und nicht als Ersatz des 2. Befunders [3]. Ungeklärt sind bis dato die Kosten der KI, die rechtlichen Aspekte und die Akzeptanz durch die gescreenten Frauen [4]. Sollte die Tomosynthese im Screening in Zukunft nicht nur zur Abklärung unklarer Befunde, sondern als primäre Methode eingesetzt werden, werden prospektive, randomisierte Studien notwendig sein, um den Benefit der KI in Kombination mit der Tomosynthese hinsichtlich der Detektion von Mammakarzinomen, Intervallkarzinomen und Zeitersparnis bei der Befundung zu erforschen [1]. Article published online: 25 October 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
- 25 October 2024
- Published by Georg Thieme Verlag KG in RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren
- Vol. 196 (11) , 1102-1103
Kommentar zu: „MAMMA – Mammografie: KI für den Erstbefund?“ und zu „KI identifiziert Karzinome auch bei extremer Brustdichte“
Die retrospektiven Studien befassen sich mit dem Einsatz der künstlichen Intelligenz [KI] im Rahmen des Mammografiescreenings in Dänemark und Norwegen. Die Screeningprogramme sind vergleichbar mit dem Patientenkollektiv und der Durchführung des Screenings in Deutschland. In der Studie aus Dänemark von Kühl et al. detektierte die KI Mammakarzinome mit einer gleichwertigen Genauigkeit wie der Erstbefunder im Screening. Allerdings wurden aufgrund der retrospektiven Auswertung die von der KI als positiv und vom menschlichen Befunder als negativ eingestuften Mammografien nicht wieder einbestellt. Dies ergibt eine mögliche Bevorzugung der Performance zugunsten der Erstbefunder. Das verwendete KI-System vergibt Punktwerte von 0 bis 100%. Der Schwellenwert bezüglich suspekt vs. nicht suspekt wurde der Performance der Erstbefunder angepasst, sodass die Ergebnisse nicht auf andere Screening-Modelle übertragbar sind. Das Ergebnis der Studie könnte auch gering durch den Vergleich mit dem Erstbefunder beeinflusst worden sein, da der Erstbefunder in Dänemark meist weniger Erfahrung hat als der Zweitbefunder. Die norwegische Studie von Bergan et al. untersuchte die KI-Performance unter Berücksichtigung der Brustdichte. Mehrere Triage-Szenarien wurden berechnet, indem sowohl die KI-Scores (1 bis 10) als auch die Brustdichte (4 Kategorien analog BI-RADS-Einteilung) mit einbezogen wurden. Das KI-System erbrachte über die verschiedenen Brustdichten hinweg eine konstante Leistung und zeigte sogar eine höhere Genauigkeit bei Patientinnen mit heterogenen oder extrem dichten Brüsten. Eine Kombination der Risikoscores der KI-Systeme mit der Brustdichte scheint somit sinnvoll zu sein. KI im Rahmen des Mammografiescreenings wurde bereits anhand differenter Szenarien untersucht. In Metaanalysen wurde der Einsatz der KI bei der Mammografiebefundung nicht eindeutig befürwortet, da in bisherigen Studien deutliche Einschränkungen bezüglich der generellen Übertragbarkeit auf das Screening bestehen. Als Einschränkungen seien hier kleine oder nicht-screening-typische Patientenkollektive genannt. Die prospektive MASAI-Studie randomisierte im Zeitraum von 4/2021 bis 7/2022 mehr als 80 000 Frauen im schwedischen Screening-Programm entweder in den Arm der standardisierten Doppelbefundung oder in den zur KI-unterstützen Einfachbefundung [1]. Das KI-gestützte Mammografiescreening führte in dieser Studie zu einer ähnlichen Krebsentdeckungsrate bei einer wesentlich geringeren Arbeitsbelastung im Vergleich zum konventionellen Screening, was darauf hindeutet, dass der Einsatz von KI im Mammografiescreening sicher ist. Der primäre Endpunkt der Intervallkrebsrate wird bei 100 000 Teilnehmerinnen erst nach einer Nachbeobachtungszeit von 2 Jahren bewertet werden können. KI im Rahmen von Screeningprogrammen wird in Zukunft definitiv eingesetzt werden, da ärztliche Ressourcen zur Befundung immer knapper werden. Die Frage ist nur, welche Aufgaben wir der KI überlassen. Denkbar sind Modelle, in denen die KI als Zweitbefunder agiert oder als Drittbefunder bei nichtkongruenten Ergebnissen von Befunder 1 und 2, als primäres Tool zur Vorselektion komplett unauffälliger Befunde oder als alleiniges Screeningtool [2]. Die Performance der Systeme wird auch von der Einstellung der Schwellenwerte abhängen. Die European Commission Initiative on Breast Cancer empfiehlt aktuell den Einsatz der KI im Screening lediglich als Unterstützung bei der Doppelbefundung und nicht als Ersatz des 2. Befunders [3]. Ungeklärt sind bis dato die Kosten der KI, die rechtlichen Aspekte und die Akzeptanz durch die gescreenten Frauen [4]. Sollte die Tomosynthese im Screening in Zukunft nicht nur zur Abklärung unklarer Befunde, sondern als primäre Methode eingesetzt werden, werden prospektive, randomisierte Studien notwendig sein, um den Benefit der KI in Kombination mit der Tomosynthese hinsichtlich der Detektion von Mammakarzinomen, Intervallkarzinomen und Zeitersparnis bei der Befundung zu erforschen [1]. Article published online: 25 October 2024 © 2024. Thieme. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
- 13 September 2024
- Published by Georg Thieme Verlag KG in Senologie - Zeitschrift für Mammadiagnostik und -therapie
- Vol. 21 (03) , 187-190
Postoperative Bildgebung – was ist erforderlich, was überflüssig?
- 13 September 2024
- Published by Georg Thieme Verlag KG in Senologie - Zeitschrift für Mammadiagnostik und -therapie
- Vol. 21 (03) , 187-190
Postoperative Bildgebung – was ist erforderlich, was überflüssig?
- Open Access
Virtual dynamic contrast enhanced breast MRI using 2D U-Net Architectures.
Breast Magnetic Resonance Imaging (MRI) examinations routinely include contrast-agent based dynamic contrast-enhanced (DCE) acquisitions. Expanding the accessibility and personalization of breast MRI might be supported amongst others by advancing non-contrast-enhanced MRI, such as virtual dynamic contrast-enhanced techniques (vDCE) utilizing neural networks. This IRB-approved retrospective study includes n=540 breast MRI examinations acquired on a single 3T MRI scanner. Two 2D U-Net architectures were trained using non-contrast-enhanced MRI acquisitions including T1w, T2w and multi-b-value diffusion weighted imaging acquisitions as inputs and either a single (SCO-Net) or multiple (MCO-Net) time points of a DCE series as ground truth. The neural networks predicted a vDCE series corresponding to five consecutive DCE time points. Across all time points, no significant differences in structural similarity index (SSIM) could be found between the SCO-Net and MCO-Net, both achieving a mean SSIM of 0.86. For peak-signal-to-noise-ratio and normalized root-mean-square error, significantly better results could be observed for the MCO-Net reaching scores of 24.42dB and 0.087 respectively. Comparison of manual segmentations of findings on DCE and vDCE images reached a DICE score of 0.61 and an intersection over union (IoU) of 0.47 without significant differences between SCO-Net and MCO-Net. These findings suggest a technical feasibility of generating vDCE image series from unenhanced input acquisitions using neural networks. However, the analysis does not allow drawing any conclusion on the clinical assessment of lesion specific curve kinetics, which need to be assessed prior determining on the feasibility of deriving diagnostically meaningful enhancement characteristics in individual lesions.
Open AccessVirtual dynamic contrast enhanced breast MRI using 2D U-Net Architectures.
Breast Magnetic Resonance Imaging (MRI) examinations routinely include contrast-agent based dynamic contrast-enhanced (DCE) acquisitions. Expanding the accessibility and personalization of breast MRI might be supported amongst others by advancing non-contrast-enhanced MRI, such as virtual dynamic contrast-enhanced techniques (vDCE) utilizing neural networks. This IRB-approved retrospective study includes n=540 breast MRI examinations acquired on a single 3T MRI scanner. Two 2D U-Net architectures were trained using non-contrast-enhanced MRI acquisitions including T1w, T2w and multi-b-value diffusion weighted imaging acquisitions as inputs and either a single (SCO-Net) or multiple (MCO-Net) time points of a DCE series as ground truth. The neural networks predicted a vDCE series corresponding to five consecutive DCE time points. Across all time points, no significant differences in structural similarity index (SSIM) could be found between the SCO-Net and MCO-Net, both achieving a mean SSIM of 0.86. For peak-signal-to-noise-ratio and normalized root-mean-square error, significantly better results could be observed for the MCO-Net reaching scores of 24.42dB and 0.087 respectively. Comparison of manual segmentations of findings on DCE and vDCE images reached a DICE score of 0.61 and an intersection over union (IoU) of 0.47 without significant differences between SCO-Net and MCO-Net. These findings suggest a technical feasibility of generating vDCE image series from unenhanced input acquisitions using neural networks. However, the analysis does not allow drawing any conclusion on the clinical assessment of lesion specific curve kinetics, which need to be assessed prior determining on the feasibility of deriving diagnostically meaningful enhancement characteristics in individual lesions.
- Open Access
- 3 July 2024
- Published by MDPI AG in Diagnostics
- Vol. 14 (13) , 1427
Stability of Radiomic Features against Variations in Lesion Segmentations Computed on Apparent Diffusion Coefficient Maps of Breast Lesions
Diffusion-weighted imaging (DWI) combined with radiomics can aid in the differentiation of breast lesions. Segmentation characteristics, however, might influence radiomic features. To evaluate feature stability, we implemented a standardized pipeline featuring shifts and shape variations of the underlying segmentations. A total of 103 patients were retrospectively included in this IRB-approved study after multiparametric diagnostic breast 3T MRI with a spin-echo diffusion-weighted sequence with echoplanar readout (b-values: 50, 750 and 1500 s/mm2). Lesion segmentations underwent shifts and shape variations, with >100 radiomic features extracted from apparent diffusion coefficient (ADC) maps for each variation. These features were then compared and ranked based on their stability, measured by the Overall Concordance Correlation Coefficient (OCCC) and Dynamic Range (DR). Results showed variation in feature robustness to segmentation changes. The most stable features, excluding shape-related features, were FO (Mean, Median, RootMeanSquared), GLDM (DependenceNonUniformity), GLRLM (RunLengthNonUniformity), and GLSZM (SizeZoneNonUniformity), which all had OCCC and DR > 0.95 for both shifting and resizing the segmentation. Perimeter, MajorAxisLength, MaximumDiameter, PixelSurface, MeshSurface, and MinorAxisLength were the most stable features in the Shape category with OCCC and DR > 0.95 for resizing. Considering the variability in radiomic feature stability against segmentation variations is relevant when interpreting radiomic analysis of breast DWI data.
- 3 July 2024
- Published by MDPI AG in Diagnostics
- Vol. 14 (13) , 1427
Open AccessStability of Radiomic Features against Variations in Lesion Segmentations Computed on Apparent Diffusion Coefficient Maps of Breast Lesions
Diffusion-weighted imaging (DWI) combined with radiomics can aid in the differentiation of breast lesions. Segmentation characteristics, however, might influence radiomic features. To evaluate feature stability, we implemented a standardized pipeline featuring shifts and shape variations of the underlying segmentations. A total of 103 patients were retrospectively included in this IRB-approved study after multiparametric diagnostic breast 3T MRI with a spin-echo diffusion-weighted sequence with echoplanar readout (b-values: 50, 750 and 1500 s/mm2). Lesion segmentations underwent shifts and shape variations, with >100 radiomic features extracted from apparent diffusion coefficient (ADC) maps for each variation. These features were then compared and ranked based on their stability, measured by the Overall Concordance Correlation Coefficient (OCCC) and Dynamic Range (DR). Results showed variation in feature robustness to segmentation changes. The most stable features, excluding shape-related features, were FO (Mean, Median, RootMeanSquared), GLDM (DependenceNonUniformity), GLRLM (RunLengthNonUniformity), and GLSZM (SizeZoneNonUniformity), which all had OCCC and DR > 0.95 for both shifting and resizing the segmentation. Perimeter, MajorAxisLength, MaximumDiameter, PixelSurface, MeshSurface, and MinorAxisLength were the most stable features in the Shape category with OCCC and DR > 0.95 for resizing. Considering the variability in radiomic feature stability against segmentation variations is relevant when interpreting radiomic analysis of breast DWI data.
- Open Access
Feasibility to virtually generate T2 fat-saturated breast MRI by convolutional neural networks
Background Breast magnetic resonance imaging (MRI) protocols often include T2-weighted fat-saturated (T2w-FS) sequences, which are vital for tissue characterization but significantly increase scan time. Purpose This study aims to evaluate whether a 2D-U-Net neural network can generate virtual T2w-FS images from routine multiparametric breast MRI sequences. Materials and Methods This IRB approved, retrospective study included n=914 breast MRI examinations performed between January 2017 and June 2020. The dataset was divided into training (n=665), validation (n=74), and test sets (n=175). The U-Net was trained on T1-weighted (T1w), diffusion-weighted imaging (DWI), and dynamic contrast-enhanced (DCE) sequences to generate virtual T2w-FS images (VirtuT2). Quantitative metrics and a qualitative multi-reader assessment by two radiologists were used to evaluate the VirtuT2 images. Results VirtuT2 images demonstrated high structural similarity (SSIM=0.87) and peak signal-to-noise ratio (PSNR=24.90) compared to original T2w-FS images. High level of the frequency error norm (HFNE=0.87) indicates strong blurring presence in the VirtuT2 images, which was also confirmed in qualitative reading. Radiologists correctly identified VirtuT2 images with 92.3% and 94.2% accuracy, respectively. No significant difference in diagnostic image quality (DIQ) was noted for one reader (p=0.21), while the other reported significantly lower DIQ for VirtuT2 (p<=0.001). Moderate inter-reader agreement was observed for edema detection on T2w-FS images (ƙ=0.43), decreasing to fair on VirtuT2 images (ƙ=0.36). Conclusion The 2D-U-Net can technically generate virtual T2w-FS images with high similarity to real T2w-FS images, though blurring remains a limitation. Further investigation of other architectures and using larger datasets are needed to improve clinical applicability. Summary Statement Virtual T2-weighted fat-saturated images can be generated from routine breast MRI sequences using convolutional neural networks, showing high structural similarity but with notable blurring, necessitating further refinement for clinical use. Key Results Images with T2w-FS characteristics can be virtually generated from T1w and DWI images using deep learning Image blurring occurring in the VirtuT2 image limit clinical use for the current moment Further investigation of different architectures and with larger datasets are necessary in the future to improve the VirtuT2 performance.
Open AccessFeasibility to virtually generate T2 fat-saturated breast MRI by convolutional neural networks
Background Breast magnetic resonance imaging (MRI) protocols often include T2-weighted fat-saturated (T2w-FS) sequences, which are vital for tissue characterization but significantly increase scan time. Purpose This study aims to evaluate whether a 2D-U-Net neural network can generate virtual T2w-FS images from routine multiparametric breast MRI sequences. Materials and Methods This IRB approved, retrospective study included n=914 breast MRI examinations performed between January 2017 and June 2020. The dataset was divided into training (n=665), validation (n=74), and test sets (n=175). The U-Net was trained on T1-weighted (T1w), diffusion-weighted imaging (DWI), and dynamic contrast-enhanced (DCE) sequences to generate virtual T2w-FS images (VirtuT2). Quantitative metrics and a qualitative multi-reader assessment by two radiologists were used to evaluate the VirtuT2 images. Results VirtuT2 images demonstrated high structural similarity (SSIM=0.87) and peak signal-to-noise ratio (PSNR=24.90) compared to original T2w-FS images. High level of the frequency error norm (HFNE=0.87) indicates strong blurring presence in the VirtuT2 images, which was also confirmed in qualitative reading. Radiologists correctly identified VirtuT2 images with 92.3% and 94.2% accuracy, respectively. No significant difference in diagnostic image quality (DIQ) was noted for one reader (p=0.21), while the other reported significantly lower DIQ for VirtuT2 (p<=0.001). Moderate inter-reader agreement was observed for edema detection on T2w-FS images (ƙ=0.43), decreasing to fair on VirtuT2 images (ƙ=0.36). Conclusion The 2D-U-Net can technically generate virtual T2w-FS images with high similarity to real T2w-FS images, though blurring remains a limitation. Further investigation of other architectures and using larger datasets are needed to improve clinical applicability. Summary Statement Virtual T2-weighted fat-saturated images can be generated from routine breast MRI sequences using convolutional neural networks, showing high structural similarity but with notable blurring, necessitating further refinement for clinical use. Key Results Images with T2w-FS characteristics can be virtually generated from T1w and DWI images using deep learning Image blurring occurring in the VirtuT2 image limit clinical use for the current moment Further investigation of different architectures and with larger datasets are necessary in the future to improve the VirtuT2 performance.
- 21 June 2024
- Published by Georg Thieme Verlag KG in RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren
- Vol. 197 (03) , 288-297
Vaccine-associated axillary lymphadenopathy with a focus on COVID-19 vaccines
Axillary lymphadenopathy (LA) after COVID-19 vaccination is now known to be a common side effect. In these cases, malignancy cannot always be excluded on the basis of morphological imaging criteria.Narrative review for decision-making regarding control and follow-up intervals for axillary LA according to currently published research. This article provides a practical overview of the management of vaccine-associated LA using image examples and a flowchart and provides recommendations for follow-up intervals. A particular focus is on patients presenting for diagnostic breast imaging. The diagnostic criteria for pathological lymph nodes (LN) are explained.Axillary LA is a common adverse effect after COVID-19 vaccination (0.3–53%). The average duration of LA is more than 100 days. LA is also known to occur after other vaccinations, such as the seasonal influenza vaccine. Systematic studies on this topic are missing. Other causes of LA after vaccination (infections, autoimmune diseases, malignancies) should be considered for the differential diagnosis. If the LA persists for more than 3 months after COVID-19 vaccination, a primarily sonographic follow-up examination is recommended after another 3 months. A minimally invasive biopsy of the LA is recommended if a clinically suspicious LN persists or progresses. In the case of histologically confirmed breast cancer, a core biopsy without a follow-up interval is recommended regardless of the vaccination, as treatment appropriate to the stage should not be influenced by follow-up intervals. For follow-up after breast cancer, the procedure depends on the duration of the LA and the woman’s individual risk of recurrence.Vaccination history should be well documented and taken into account when evaluating suspicious LN. Biopsy of abnormal, persistent, or progressive LNs is recommended. Preoperative staging of breast cancer should not be delayed by follow-up. The risk of false-positive findings is accepted, and the suspicious LNs are histologically examined in a minimally invasive procedure.
- 21 June 2024
- Published by Georg Thieme Verlag KG in RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren
- Vol. 197 (03) , 288-297
Vaccine-associated axillary lymphadenopathy with a focus on COVID-19 vaccines
Axillary lymphadenopathy (LA) after COVID-19 vaccination is now known to be a common side effect. In these cases, malignancy cannot always be excluded on the basis of morphological imaging criteria.Narrative review for decision-making regarding control and follow-up intervals for axillary LA according to currently published research. This article provides a practical overview of the management of vaccine-associated LA using image examples and a flowchart and provides recommendations for follow-up intervals. A particular focus is on patients presenting for diagnostic breast imaging. The diagnostic criteria for pathological lymph nodes (LN) are explained.Axillary LA is a common adverse effect after COVID-19 vaccination (0.3–53%). The average duration of LA is more than 100 days. LA is also known to occur after other vaccinations, such as the seasonal influenza vaccine. Systematic studies on this topic are missing. Other causes of LA after vaccination (infections, autoimmune diseases, malignancies) should be considered for the differential diagnosis. If the LA persists for more than 3 months after COVID-19 vaccination, a primarily sonographic follow-up examination is recommended after another 3 months. A minimally invasive biopsy of the LA is recommended if a clinically suspicious LN persists or progresses. In the case of histologically confirmed breast cancer, a core biopsy without a follow-up interval is recommended regardless of the vaccination, as treatment appropriate to the stage should not be influenced by follow-up intervals. For follow-up after breast cancer, the procedure depends on the duration of the LA and the woman’s individual risk of recurrence.Vaccination history should be well documented and taken into account when evaluating suspicious LN. Biopsy of abnormal, persistent, or progressive LNs is recommended. Preoperative staging of breast cancer should not be delayed by follow-up. The risk of false-positive findings is accepted, and the suspicious LNs are histologically examined in a minimally invasive procedure.
- Open Access
Impact of Non-Contrast Enhanced Imaging Input Sequences on the Generation of Virtual Contrast-Enhanced Breast MRI Scans using Neural Networks
Background: Virtual contrast-enhanced (vCE) imaging techniques are an emerging topic of research in breast MRI. Purpose: To investigate how different combinations of T1-weighted (T1w), T2-weighted (T2w), and diffusion-weighted imaging (DWI) impact the performance of vCE breast MRI. Materials and Methods: The IRB-approved, retrospective study included 1064 multiparametric breast MRI scans (age:52±12 years) obtained from 2017-2020 (single site, two 3T MRI). Eleven independent neural networks were trained to derive vCE images from varying input combinations of T1w, T2w, and multi-b-value DWI sequences (b-value=50–1500s/mm 2 ). Three readers evaluated the vCE images with regards to qualitative scores of diagnostic image quality, image sharpness, satisfaction with contrast/signal-to-noise-ratio, and lesion/non-mass enhancement conspicuity. Quantitative metrics (SSIM, PSNR, NRMSE, and median symmetrical accuracy) were analyzed and statistically compared between the input combinations for the full breast volume and both enhancing and non-enhancing target findings. Results: The independent test set consisted of 187 cases. The quantitative metrics significantly improved in target findings when multi-b-value DWI sequences were included during vCE training (p<.05). Non-significant effects (p>.05) were observed for the quantitative metrics on the full breast volume when comparing input combinations including T1w. Using T1w and DWI acquisitions during vCE training is necessary to achieve high satisfaction with contrast/SNR and good conspicuity of the enhancing findings. The input combination of T1w, T2w, and DWI sequences with three b-values showed the best qualitative performance. Conclusion: vCE breast MRI performance is significantly influenced by input sequences. Quantitative metrics and visual quality of vCE images significantly benefit when a multi b-value DWI is added to morphologic T1w-/T2w-sequences as input for model training. Key Results: The inclusion of diffusion-weighted imaging significantly improves the conspicuity of lesions/non-mass enhancements and satisfaction with the image contrast in virtual contrast-enhanced breast MRI. The quality of virtual contrast-enhanced breast MRI scans benefits from the inclusion of high-resolution morphologic T1-weighted image acquisitions. Quantitative metrics such as the structural similarity index and peak signal-to-noise ratio calculated over the entire breast volume insufficiently reflect variations in lesion/non-mass enhancement’s individual characteristics.
Open AccessImpact of Non-Contrast Enhanced Imaging Input Sequences on the Generation of Virtual Contrast-Enhanced Breast MRI Scans using Neural Networks
Background: Virtual contrast-enhanced (vCE) imaging techniques are an emerging topic of research in breast MRI. Purpose: To investigate how different combinations of T1-weighted (T1w), T2-weighted (T2w), and diffusion-weighted imaging (DWI) impact the performance of vCE breast MRI. Materials and Methods: The IRB-approved, retrospective study included 1064 multiparametric breast MRI scans (age:52±12 years) obtained from 2017-2020 (single site, two 3T MRI). Eleven independent neural networks were trained to derive vCE images from varying input combinations of T1w, T2w, and multi-b-value DWI sequences (b-value=50–1500s/mm 2 ). Three readers evaluated the vCE images with regards to qualitative scores of diagnostic image quality, image sharpness, satisfaction with contrast/signal-to-noise-ratio, and lesion/non-mass enhancement conspicuity. Quantitative metrics (SSIM, PSNR, NRMSE, and median symmetrical accuracy) were analyzed and statistically compared between the input combinations for the full breast volume and both enhancing and non-enhancing target findings. Results: The independent test set consisted of 187 cases. The quantitative metrics significantly improved in target findings when multi-b-value DWI sequences were included during vCE training (p<.05). Non-significant effects (p>.05) were observed for the quantitative metrics on the full breast volume when comparing input combinations including T1w. Using T1w and DWI acquisitions during vCE training is necessary to achieve high satisfaction with contrast/SNR and good conspicuity of the enhancing findings. The input combination of T1w, T2w, and DWI sequences with three b-values showed the best qualitative performance. Conclusion: vCE breast MRI performance is significantly influenced by input sequences. Quantitative metrics and visual quality of vCE images significantly benefit when a multi b-value DWI is added to morphologic T1w-/T2w-sequences as input for model training. Key Results: The inclusion of diffusion-weighted imaging significantly improves the conspicuity of lesions/non-mass enhancements and satisfaction with the image contrast in virtual contrast-enhanced breast MRI. The quality of virtual contrast-enhanced breast MRI scans benefits from the inclusion of high-resolution morphologic T1-weighted image acquisitions. Quantitative metrics such as the structural similarity index and peak signal-to-noise ratio calculated over the entire breast volume insufficiently reflect variations in lesion/non-mass enhancement’s individual characteristics.