@phdthesis{Schwerdtner2019,
  author    = {Klaus Schwerdtner},
  title     = {Stellenwert der semi-automatischen L{\"a}sionsquantifizierung in der Verlaufsbildgebung der Multiplen Sklerose},
  journal    = {Importance of semi-automatic lesion quantification in MR imaging in multiple sclerosis},
  url       = {https://nbn-resolving.org/urn:nbn:de:gbv:9-opus-34236},
  pages     = {51},
  year      = {2019},
  abstract  = {Multiple Sklerose ist eine chronisch verlaufende neurodegenerative Erkran- kung, welche sich durch herdf{\"o}rmige L{\"a}sionen des ZNS manifestiert und zur progredienten Behinderung f{\"u}hrt. Die kraniale MR-Bildgebung und die Bestimmung der L{\"a}sionslast in T2-gewichteten Sequenzen ist das wichtigste paraklinische Verfahren zur Diagnostik und Verlaufskontrolle der MS. Diese wird in der klinischen Praxis durch visuellen Vergleich zweizeitiger MR- Untersuchungen ermittelt und ist zeitaufwendig und fehleranf{\"a}llig, weshalb eine automatisierte Erkennung erstrebenswert ist. In dieser Arbeit wurde ein auf Subtraktionsbildern basierter Algorithmus zur semi-automatischen Erfassung von Ver{\"a}nderungen der L{\"a}sionslast in T2w, sowie von kontrastverst{\"a}rkten T1w Datens{\"a}tzen von Patienten mit einer chronisch demyelinisierenden Erkrankungen des ZNS mit der {\"u}blichen visuellen Befundung verglichen. Die hier pr{\"a}sentierte Methode erreicht im T2w Bild die Zuverl{\"a}ssigkeit der {\"u}blichen visuellen Befundung. Dahingegen ist sie bei kontrastverst{\"a}rkten T1w Datens{\"a}tzen unterlegen. Des Weiteren findet der pr{\"a}sentierte Algorithmus nicht nur neue, subtile L{\"a}sionen und geringe Volumen{\"a}nderungen, sondern auch Signalalterationen ohne Volumenzunahme in vorbestehenden L{\"a}sionen, die bisher nicht Bestandteil der Diagnose- und Monitoringsysteme sind und bez{\"u}glich dessen einer Evaluation bed{\"u}rften. In Hinblick auf T2w Datens{\"a}tze k{\"o}nnte die pr{\"a}sentierte Methode die radio- logische Befundung unterst{\"u}tzen und eine schnellere und sicherere Befun- dung erm{\"o}glichen und so die Verlaufsbeobachtung der Krankheit erleichtern. In Zukunft k{\"o}nnten verbesserte Algorithmen, h{\"o}here Feldst{\"a}rken und selbst- lernende Programme eine schnelle und verl{\"a}ssliche Alternative zur zeit- aufwendigen und fehlerbehafteten radiologischen Befundung darstellen und so Diagnose und Verlaufsbeobachtung bei Patienten mit Multipler Sklerose verbessern.},
  language  = {de}
}