KI-Anwendungen in der diagnostischen Bildgebung
KI-Anwendungen in der diagnostischen Bildgebung versprechen, das Gesundheitswesen zu verändern, indem sie die Diagnosegenauigkeit, die Effizienz und die personalisierte Versorgung verbessern, während gleichzeitig die Gesundheitskosten gesenkt und die Ergebnisse für die Patienten verbessert werden. Ich interessiere mich für die Anwendung von KI-Modellen insbesondere im Bereich der pädiatrischen Neuroradiologie. In unserer letzten Forschungsarbeit haben wir ein Ensemble-Modell verwendet, um das Alter der Myelinreifung bei Kleinkindern bis zum Alter von 3 Jahren automatisch vorherzusagen. Diese Studie wurde auch von der Schweizerische Gesellschaft für Pädiatrische Radiologie am SCR 2023 ausgezeichnet.
Selected Publications
Akinci D’Antonoli, T., Berger, L. K., Indrakanti, A. K., Vishwanathan, N., Weiss, J., Jung, M., Berkarda, Z., Rau, A., Reisert, M., Küstner, T., Walter, A., Merkle, E. M., Boll, D. T., Breit, H.-C., Nicoli, A. P., Segeroth, M., Cyriac, J., Yang, S., & Wasserthal, J. (2025). TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [Journal-article]. Radiology, 314(2). https://doi.org/10.1148/radiol.241613
Akinci D’Antonoli, T., Berger, L. K., Indrakanti, A. K., Vishwanathan, N., Weiss, J., Jung, M., Berkarda, Z., Rau, A., Reisert, M., Küstner, T., Walter, A., Merkle, E. M., Boll, D. T., Breit, H.-C., Nicoli, A. P., Segeroth, M., Cyriac, J., Yang, S., & Wasserthal, J. (2025). TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [Journal-article]. Radiology, 314(2). https://doi.org/10.1148/radiol.241613
Kocak, B., Akinci D’Antonoli, T., Mercaldo, N., Alberich-Bayarri, A., Baessler, B., Ambrosini, I., Andreychenko, A. E., Bakas, S., Beets-Tan, R. G. H., Bressem, K., Buvat, I., Cannella, R., Cappellini, L. A., Cavallo, A. U., Chepelev, L. L., Chu, L. C. H., Demircioglu, A., deSouza, N. M., Dietzel, M., et al. (2024). METhodological RadiomICs Score (METRICS): a quality scoring tool for radiomics research endorsed by EuSoMII. Insights into Imaging, 15(1). https://doi.org/10.1186/s13244-023-01572-w
Kocak, B., Akinci D’Antonoli, T., Mercaldo, N., Alberich-Bayarri, A., Baessler, B., Ambrosini, I., Andreychenko, A. E., Bakas, S., Beets-Tan, R. G. H., Bressem, K., Buvat, I., Cannella, R., Cappellini, L. A., Cavallo, A. U., Chepelev, L. L., Chu, L. C. H., Demircioglu, A., deSouza, N. M., Dietzel, M., et al. (2024). METhodological RadiomICs Score (METRICS): a quality scoring tool for radiomics research endorsed by EuSoMII. Insights into Imaging, 15(1). https://doi.org/10.1186/s13244-023-01572-w
, Todea, Ramona-Alexandra, Leu, Nora, Datta, Alexandre N., Stieltjes, Bram, Pruefer, Friederike, & Wasserthal, Jakob. (2023). Development and Evaluation of Deep Learning Models for Automated Estimation of Myelin Maturation Using Pediatric Brain MRI Scans. Radiology: Artificial Intelligence, 5(5). https://doi.org/10.1148/ryai.220292
, Todea, Ramona-Alexandra, Leu, Nora, Datta, Alexandre N., Stieltjes, Bram, Pruefer, Friederike, & Wasserthal, Jakob. (2023). Development and Evaluation of Deep Learning Models for Automated Estimation of Myelin Maturation Using Pediatric Brain MRI Scans. Radiology: Artificial Intelligence, 5(5). https://doi.org/10.1148/ryai.220292