@article{SchulzePalmKerschbaumetal., author = {Schulze, Elke and Palm, Christoph and Kerschbaum, Maximilian and Seidel, Roman and Lehmann, Lars and Koller, Michael and Pfingsten, Andrea}, title = {KI-gest{\"u}tzte Untersuchung in der nicht-operativen Versorgung symptomgebender Erkrankungen des Kniegelenks - ein multiprofessionelles Konzept (KINEESIO)}, series = {MSK - Muskuloskelettale Physiotherapie}, volume = {28}, journal = {MSK - Muskuloskelettale Physiotherapie}, number = {5}, publisher = {Thieme}, issn = {2701-6986}, doi = {10.1055/a-2402-9982}, pages = {312 -- 321}, abstract = {Beschwerdebilder am Kniegelenk aufgrund muskuloskelettaler degenerativer oder verletzungsbedingter Erkrankungen sind h{\"a}ufig, nehmen im Alter zu und sind mit der steigenden Inanspruchnahme {\"a}rztlicher und therapeutischer Behandlungsmaßnahmen verbunden. Einer erfolgreichen Therapie gehen oft notwendige zeit- und ressourcenaufwendige Untersuchungen zur Erkennung und Differenzierung der patient*innenspezifischen Problematik voraus. Im Zusammenhang mit der nicht-operativen Versorgung des Kniegelenks hat ein sektor{\"u}bergreifendes multiprofessionelles Forschungsteam ein Konzept entwickelt, um k{\"u}nstliche neuronale Netze so zu trainieren, dass sie bei der {\"a}rztlichen und physiotherapeutischen Untersuchung unterst{\"u}tzend Einsatz finden k{\"o}nnen. Denn gerade in der Erfassung und Auswertung umfassender Datenmengen liegen große Potenziale in der K{\"u}nstlichen Intelligenz (KI) im Gesundheitswesen. Das Projekt KINEESIO trainiert und testet KI-gest{\"u}tzte Screening- Tools zur Untersuchung von Patient*innen mit Kniegelenkerkrankungen. Diese unterst{\"u}tzen die Abl{\"a}ufe zwischen Leistungserbringern und Patient*innen, tragen zu einer verbesserten Differenzierung individueller Beschwerdebilder bei und dienen Entscheidungsprozessen f{\"u}r eine ad{\"a}quate Versorgung. Dadurch sollen Ressourcen im Gesundheitswesen geschont und eine qualitativ hochwertige Therapie ausreichend erm{\"o}glicht werden.}, language = {de} } @inproceedings{RueckertRiederFeussneretal., author = {R{\"u}ckert, Tobias and Rieder, Maximilian and Feussner, Hubertus and Wilhelm, Dirk and R{\"u}ckert, Daniel and Palm, Christoph}, title = {Smoke Classification in Laparoscopic Cholecystectomy Videos Incorporating Spatio-temporal Information}, series = {Bildverarbeitung f{\"u}r die Medizin 2024: Proceedings, German Workshop on Medical Image Computing, March 10-12, 2024, Erlangen}, booktitle = {Bildverarbeitung f{\"u}r die Medizin 2024: Proceedings, German Workshop on Medical Image Computing, March 10-12, 2024, Erlangen}, editor = {Maier, Andreas and Deserno, Thomas M. and Handels, Heinz and Maier-Hein, Klaus H. and Palm, Christoph and Tolxdorff, Thomas}, publisher = {Springeer}, address = {Wiesbaden}, doi = {10.1007/978-3-658-44037-4_78}, pages = {298 -- 303}, abstract = {Heavy smoke development represents an important challenge for operating physicians during laparoscopic procedures and can potentially affect the success of an intervention due to reduced visibility and orientation. Reliable and accurate recognition of smoke is therefore a prerequisite for the use of downstream systems such as automated smoke evacuation systems. Current approaches distinguish between non-smoked and smoked frames but often ignore the temporal context inherent in endoscopic video data. In this work, we therefore present a method that utilizes the pixel-wise displacement from randomly sampled images to the preceding frames determined using the optical flow algorithm by providing the transformed magnitude of the displacement as an additional input to the network. Further, we incorporate the temporal context at evaluation time by applying an exponential moving average on the estimated class probabilities of the model output to obtain more stable and robust results over time. We evaluate our method on two convolutional-based and one state-of-the-art transformer architecture and show improvements in the classification results over a baseline approach, regardless of the network used.}, language = {en} }