<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>6476</id>
    <completedYear/>
    <publishedYear>2023</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>8</issue>
    <volume>61</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace>Stuttgart</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2023-09-09</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Einfluss von Künstlicher Intelligenz auf die Performance von niedergelassenen Gastroenterolog:innen bei der Beurteilung von Barrett-Ösophagus</title>
    <abstract language="deu">Einleitung &#13;
Die Differenzierung zwischen nicht dysplastischem Barrett-Ösophagus (NDBE) und mit Barrett-Ösophagus assoziierten Neoplasien (BERN) während der endoskopischen Inspektion erfordert viel Expertise. Die frühe Diagnosestellung ist wichtig für die weitere Prognose des Barrett-Karzinoms. In Deutschland werden Patient:innen mit einem Barrett-Ösophagus (BE) in der Regel im niedergelassenen Sektor überwacht.&#13;
&#13;
Ziele &#13;
Ziel ist es, den Einfluss von einem auf Künstlicher Intelligenz (KI) basierenden klinischen Entscheidungsunterstützungssystems (CDSS) auf die Performance von niedergelassenen Gastroenterolog:innen (NG) bei der Evaluation von Barrett-Ösophagus (BE) zu untersuchen.&#13;
&#13;
Methodik &#13;
Es erfolgte die prospektive Sammlung von 96 unveränderten hochauflösenden Videos mit Fällen von Patient:innen mit histologisch bestätigtem NDBE und BERN. Alle eingeschlossenen Fälle enthielten mindestens zwei der folgenden Darstellungsmethoden: HD-Weißlichtendoskopie, Narrow Band Imaging oder Texture and Color Enhancement Imaging. Sechs NG von sechs unterschiedlichen Praxen wurden als Proband:innen eingeschlossen. Es erfolgte eine permutierte Block-Randomisierung der Videofälle in entweder Gruppe A oder Gruppe B. Gruppe A implizierte eine Evaluation des Falls durch Proband:innen zunächst ohne KI und anschließend mit KI als CDSS. In Gruppe B erfolgte die Evaluation in umgekehrter Reihenfolge. Anschließend erfolgte eine zufällige Wiedergabe der so entstandenen Subgruppen im Rahmen des Tests.&#13;
&#13;
Ergebnis &#13;
In diesem Test konnte ein von uns entwickeltes KI-System (Barrett-Ampel) eine Sensitivität von 92,2%, eine Spezifität von 68,9% und eine Accuracy von 81,3% erreichen. Mit der Hilfe von KI verbesserte sich die Sensitivität der NG von 64,1% auf 71,2% (p&lt;0,001) und die Accuracy von 66,3% auf 70,8% (p=0,006) signifikant. Eine signifikante Verbesserung dieser Parameter zeigte sich ebenfalls, wenn die Proband:innen die Fälle zunächst ohne KI evaluierten (Gruppe A). Wurde der Fall jedoch als Erstes mit der Hilfe von KI evaluiert (Gruppe B), blieb die Performance nahezu konstant.&#13;
&#13;
Schlussfolgerung &#13;
Es konnte ein performantes KI-System zur Evaluation von BE entwickelt werden. NG verbessern sich bei der Evaluation von BE durch den Einsatz von KI.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0043-1771711</identifier>
    <identifier type="url">https://www.thieme-connect.de/products/ejournals/abstract/10.1055/s-0043-1771711</identifier>
    <enrichment key="ConferenceStatement">Viszeralmedizin 2023 77. Jahrestagung der DGVS mit Sektion Endoskopie Herbsttagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Michael Meinikheim</author>
    <author>Robert Mendel</author>
    <author>Andreas Probst</author>
    <author>Markus W. Scheppach</author>
    <author>Sandra Nagl</author>
    <author>Elisabeth Schnoy</author>
    <author>Christoph Römmele</author>
    <author>Friederike Prinz</author>
    <author>Jakob Schlottmann</author>
    <author>Helmut Messmann</author>
    <author>Christoph Palm</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Barrett-Ösophagus</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>6485</id>
    <completedYear/>
    <publishedYear>2023</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>e528-e529</pageNumber>
    <edition/>
    <issue>08</issue>
    <volume>61</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace>Stuttgart</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2023-09-18</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Effekt eines Künstliche Intelligenz (KI) – Algorithmus auf die Gefäßdetektion bei third space Endoskopien</title>
    <abstract language="deu">Einleitung &#13;
Third space Endoskopieprozeduren wie die endoskopische Submukosadissektion (ESD) und die perorale endoskopische Myotomie (POEM) sind technisch anspruchsvoll und gehen mit untersucherabhängigen Komplikationen wie Blutungen und Perforationen einher. Grund hierfür ist die unabsichtliche Durchschneidung von submukosalen Blutgefäßen ohne präemptive Koagulation.&#13;
&#13;
Ziele&#13;
Die Forschungsfrage, ob ein KI-Algorithmus die intraprozedurale Gefäßerkennung bei ESD und POEM unterstützen und damit Komplikationen wie Blutungen verhindern könnte, erscheint in Anbetracht des erfolgreichen Einsatzes von KI bei der Erkennung von Kolonpolypen interessant.&#13;
&#13;
Methoden &#13;
Auf 5470 Einzelbildern von 59 third space Endoscopievideos wurden submukosale Blutgefäße annotiert. Zusammen mit weiteren 179.681 nicht-annotierten Bildern wurde ein DeepLabv3+neuronales Netzwerk mit dem ECMT-Verfahren für semi-supervised learning trainiert, um Blutgefäße in Echtzeit erkennen zu können. Für die Evaluation wurde ein Videotest mit 101 Videoclips aus 15 vom Trainingsdatensatz separaten Prozeduren mit 200 vordefinierten Gefäßen erstellt. Die Gefäßdetektionsrate, -zeit und -dauer, definiert als der Prozentsatz an Einzelbildern eines Videos bezogen auf den Goldstandard, auf denen ein definiertes Gefäß erkannt wurde, wurden erhoben. Acht erfahrene Endoskopiker wurden mithilfe dieses Videotests im Hinblick auf Gefäßdetektion getestet, wobei eine Hälfte der Videos nativ, die andere Hälfte nach Markierung durch den KI-Algorithmus angesehen wurde.&#13;
&#13;
Ergebnisse &#13;
Der mittlere Dice Score des Algorithmus für Blutgefäße war 68%. Die mittlere Gefäßdetektionsrate im Videotest lag bei 94% (96% für ESD; 74% für POEM). Die mediane Gefäßdetektionszeit des Algorithmus lag bei 0,32 Sekunden (0,3 Sekunden für ESD; 0,62 Sekunden für POEM). Die mittlere Gefäßdetektionsdauer lag bei 59,1% (60,6% für ESD; 44,8% für POEM) des Goldstandards. Alle Endoskopiker hatten mit KI-Unterstützung eine höhere Gefäßdetektionsrate als ohne KI. Die mittlere Gefäßdetektionsrate ohne KI lag bei 56,4%, mit KI bei 71,2% (p&lt;0.001).&#13;
&#13;
Schlussfolgerung &#13;
KI-Unterstützung war mit einer statistisch signifikant höheren Gefäßdetektionsrate vergesellschaftet. Die mediane Gefäßdetektionszeit von deutlich unter einer Sekunde sowie eine Gefäßdetektionsdauer von größer 50% des Goldstandards wurden für den klinischen Einsatz als ausreichend erachtet. In prospektiven Anwendungsstudien sollte der KI-Algorithmus auf klinische Relevanz getestet werden.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0043-1771980</identifier>
    <enrichment key="ConferenceStatement">Viszeralmedizin 2023 77. Jahrestagung der DGVS mit Sektion Endoskopie Herbsttagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Markus W. Scheppach</author>
    <author>Robert Mendel</author>
    <author>Andreas Probst</author>
    <author>Sandra Nagl</author>
    <author>Michael Meinikheim</author>
    <author>Hon Chi Yip</author>
    <author>Louis Ho Shing Lau</author>
    <author>Philip Wai Yan Chiu</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>7799</id>
    <completedYear/>
    <publishedYear>2024</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>e830</pageFirst>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>09</issue>
    <volume>62</volume>
    <type>conferencepresentation</type>
    <publisherName>Georg Thieme Verlag KG</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Künstliche Intelligenz erhöht die Gefäßerkennung von Endoskopikern bei third space Endoskopie</title>
    <abstract language="deu">Einleitung: Künstliche Intelligenz (KI)-Algorithmen unterstützen Endoskopiker bei der Erkennung und Charakterisierung von Kolonpolypen in der klinischen Praxis und führen zu einer Erhöhung der Adenomdetektionsrate. Auch bei therapeutischen Maßnahmen wie der endoskopischen Submukosadissektion (ESD) könne relevante anatomische Strukturen durch KI mit hoher Genauigkeit erkannt und im endoskopischen Bild in Echtzeit markiert werden. Der Effekt einer solchen Applikation auf die Gefäßdetektion von Endoskopikern ist bislang nicht erforscht.&#13;
Ziele: &#13;
In dieser Studie wurde der Effekt eines KI-Algorithmus zur Echtzeit-Gefäßmarkierung bei ESD auf die Gefäßdetektionsrate von Endoskopikern untersucht.&#13;
Methodik: &#13;
59 third space Endoskopievideos wurde aus der Datenbank des Universitätsklinikums Augsburg extrahiert. Auf 5470 Einzelbildern dieser Untersuchungen wurde submukosale Blutgefäße annotiert. Zusammen mit weiteren 179681 unmarkierten Bildern wurde ein DeepLabV3+ neuronales Netzwerk mit einer semi-supervised learning Methode darin trainiert, submukosale Blutgefäße auf dem endoskopischen Bild zu erkennen und in Echtzeit einzuzeichnen. Anhand eines Videotests mit 101 Videoclips und 200 vordefinierten Blutgefäßen wurden 19 Endoskopiker mit und ohne KI Unterstützung getestet.&#13;
Ergebnis: &#13;
Der Algorithmus erkannte in dem Videotest 93.5% der Gefäße in einer Detektionszeit von im Median 0,3 Sekunden. Die Gefäßdetektionsrate von Endoskopikern erhöhte sich durch KI Unterstützung von 56,4% auf 72,4% (p&lt;0.001). Die Gefäßdetektionszeit reduzierte sich durch KI-Unterstützung von 6,7 auf 5.2 Sekunden (p&lt;0.001). Der Algorithmus zeigte eine Rate an falsch positiven Detektionen in 4.5% der Einzelbilder. Falsch positiv erkannte Strukturen wurde kürzer detektiert, als richtig positive (0.7 und 6.0 Sekunden, p&lt;0.001).&#13;
Schlussfolgerung: &#13;
KI Unterstützung führte zu einer erhöhten Gefäßdetektionsrate und schnelleren Gefäßdetektionszeit von Endoskopikern. Ein möglicher klinischer Effekt auf die intraprozedurale Komplikationsrate oder Operationszeit könnte in prospektiven Studien ermittelt werden.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0044-1790087</identifier>
    <enrichment key="opus.import.date">2024-11-18T10:16:05+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">importuser</enrichment>
    <enrichment key="ConferenceStatement">78. Jahrestagung der DGVS mit Sektion Endoskopie Jahrestagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP. - Viszeralmedizin 2024. - 9/30/2024 - 10/5/2024</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Markus W. Scheppach</author>
    <author>Robert Mendel</author>
    <author>Anna Muzalyova</author>
    <author>David Rauber</author>
    <author>Andreas Probst</author>
    <author>Sandra Nagl</author>
    <author>Christoph Römmele</author>
    <author>Hon Chi Yip</author>
    <author>Louis Ho Shing Lau</author>
    <author>Stefan Karl Gölder</author>
    <author>Arthur Schmidt</author>
    <author>Konstantinos Kouladouros</author>
    <author>Mohamed Abdelhafez</author>
    <author>B. Walter</author>
    <author>Michael Meinikheim</author>
    <author>Philip Wai Yan Chiu</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>7801</id>
    <completedYear/>
    <publishedYear>2024</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>e575</pageFirst>
    <pageLast>e576</pageLast>
    <pageNumber/>
    <edition/>
    <issue>09</issue>
    <volume>62</volume>
    <type>conferencepresentation</type>
    <publisherName>Georg Thieme Verlag KG</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Mensch-Maschine-Interaktion: Einfluss künstlicher Intelligenz auf das diagnostische Vertrauen von Endoskopikern bei der Beurteilung des Barrett-Ösophagus</title>
    <abstract language="deu">Ziele: &#13;
Das Ziel der Studie war es, den Einfluss von KI auf die diagnostische Sicherheit (Konfidenzniveau) von Endoskopikern anhand von BÖ-Videos zu untersuchen und mögliche Korrelationen mit der Untersuchungsqualität zu erforschen.&#13;
Methodik: &#13;
22 Endoskopiker aus zwölf Zentren mit unterschiedlicher Barrett-Erfahrung untersuchten 96 standardisierte Endoskopievideos. Die Untersucher wurden in Experten und Nicht-Experten eingeteilt und nach dem Zufallsprinzip für die Bewertung der Videos mit oder ohne KI eingeteilt. Die Teilnehmer wurden in zwei Gruppen aufgeteilt: Arm A bewertete zunächst Videos ohne KI und dann mit KI, während Arm B die umgekehrte Reihenfolge einhielt. Die Untersucher hatten die Aufgabe, BÖ-assoziierte Neoplasien zu erkennen und ihr Konfidenzniveau sowohl mit als auch ohne KI auf einer Skala von 0 bis 9 anzugeben.&#13;
Ergebnis: &#13;
In Arm A erhöhte der Einsatz von KI das Konfidenzniveau bei beiden signifikant (p&lt;0.001). Bemerkenswert ist, dass jedoch nur Nicht-Experten durch die KI eine signifikante Verbesserung der Sensitivität und Spezifität (p&lt;0.001 bzw. p&lt;0.05) erfuhren. Während Experten ohne KI im Vergleich zu Nicht-Experten mit KI ein höheres Konfidenzniveau aufwiesen, gab es keinen signifikanten Unterschied in der Genauigkeit. In Arm B zeigten beide Gruppen eine signifikante Abnahme des Konfidenzniveaus (p&lt;0.001) bei gleichbleibender Genauigkeit. Darüber hinaus wurden in 9% der Entscheidungen trotz korrekter KI eine falsche Wahl getroffen.&#13;
Schlussfolgerung: &#13;
Der Einsatz künstlicher Intelligenz steigerte das Konfidenzniveau sowohl bei Experten als auch bei Nicht-Experten signifikant – ein Effekt, der im Studienmodell reversibel war. Darüber hinaus wiesen Experten mit oder ohne KI durchweg höhere Konfidenzniveaus auf als Nicht-Experten mit KI, trotz vergleichbarer Ergebnisse. Zudem konnte beobachtet werden, dass die Untersucher in 9% der Fälle die KI zuungunsten des Patienten ignorierten.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0044-1789656</identifier>
    <enrichment key="opus.import.date">2024-11-18T10:16:05+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">importuser</enrichment>
    <enrichment key="ConferenceStatement">78. Jahrestagung der DGVS mit Sektion Endoskopie Jahrestagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP. - Viszeralmedizin 2024. - 9/30/2024 - 10/5/2024</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>David Roser</author>
    <author>Michael Meinikheim</author>
    <author>Robert Mendel</author>
    <author>Christoph Palm</author>
    <author>Anna Muzalyova</author>
    <author>David Rauber</author>
    <author>Tobias Rückert</author>
    <author>Nasim Parsa</author>
    <author>Michael F. Byrne</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>7798</id>
    <completedYear/>
    <publishedYear>2024</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>e828</pageFirst>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>09</issue>
    <volume>62</volume>
    <type>conferencepresentation</type>
    <publisherName>Georg Thieme Verlag KG</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Intraoperative Phasenerkennung bei endoskopischer Submukosadissektion mit Hilfe von künstlicher Intelligenz</title>
    <abstract language="deu">Einleitung: &#13;
Künstliche Intelligenz (KI) wird in der Endoskopie des Gastrointestinaltraktes zur Erkennung und Charakterisierung von Kolonpolypen eingesetzt. Die Rolle von KI bei therapeutischen Maßnahmen wurde noch nicht eingehend untersucht. Eine intraprozedurale Phasenerkennung bei endoskopischer Submukoasdissektion (ESD) könnte die Erhebung von Qualitätsindikatoren ermöglichen. Weiterhin könnte diese Technologie zu einem tieferen Verständnis über die Eigenschaften der Prozedur führen und weiterführende Applikationen zur automatischen Dokumentation oder standardisiertem Training vorbereiten.&#13;
Ziele: Ziel dieser Studie war die Entwicklung eines KI Algorithmus zur intraprozeduralen Phasenerkennung bei endoskopischer Submukosadissektion.&#13;
Methodik: &#13;
2071546 Einzelbilder aus 27 ESD Videos in voller Länge wurden für die übergeordneten Klassen Diagnostik, Markierung, Nadelinjektion, Dissektion und Blutung, sowie die untergeordneten Klassen Endoskop-Manipulation, Injektion und Applikation von elektrischem Strom annotiert. Mit einem Trainingsdatensatz (898440 Einzelbilder, 17 ESDs) wurde ein Video Swin Transformer mit uniformer Stichprobenentnahme trainiert und intern validiert (769523 Einzelbilder, 6 ESDs). Neben der internen Validierung wurde der Algorithmus anhand von einem separaten Testdatensatz (403583 Einzelbilder, 4 ESDs) evaluiert.&#13;
Ergebnis: &#13;
Der F1 Score des Algorithmus für alle Klassen lag in der internen Validierung bei 83%, in dem separaten Test bei 90%. Anhand des separaten Tests wurden true positive (TP)-Raten für Diagnostik, Markierung, Nadelinjektion, Dissektion und Blutung von 100%, 100%, 96%, 97% und 93% ermittelt. Für Endoskopmanipulation, Injektion und Applikation von Elektrizität lagen die TP-Raten bei 92%, 98% und 91%.&#13;
Schlussfolgerung: &#13;
Der entwickelte Algorithmus klassifizierte ESD Videos in voller Länge und anhand jedes einzelnen Bildes mit hoher Genauigkeit. Zukünftige Forschungsvorhaben könnten intraoperative Qualitätsindikatioren auf Basis dieser Informationen entwickeln und eine automatisierte Dokumentation ermöglichen.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0044-1790084</identifier>
    <enrichment key="opus.import.date">2024-11-18T10:16:05+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">importuser</enrichment>
    <enrichment key="ConferenceStatement">78. Jahrestagung der DGVS mit Sektion Endoskopie Jahrestagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP. - Viszeralmedizin 2024. - 9/30/2024 - 10/5/2024</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Markus W. Scheppach</author>
    <author>Danilo Weber Nunes</author>
    <author>X. Arizi</author>
    <author>David Rauber</author>
    <author>Andreas Probst</author>
    <author>Sandra Nagl</author>
    <author>Christoph Römmele</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>6484</id>
    <completedYear/>
    <publishedYear>2023</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>e539</pageFirst>
    <pageLast>e540</pageLast>
    <pageNumber/>
    <edition/>
    <issue>08</issue>
    <volume>61</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace>Stuttgart</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2023-09-18</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Verwendung künstlicher Intelligenz bei der Detektion der Papilla duodeni major</title>
    <abstract language="deu">Einleitung Die Endoskopische Retrograde Cholangiopankreatikographie (ERCP) ist der Goldstandard in der Diagnostik und Therapie von Erkrankungen des pankreatobiliären Trakts. Jedoch ist sie technisch sehr anspruchsvoll und weist eine vergleichsweise hohe Komplikationsrate auf.&#13;
&#13;
Ziele &#13;
In der vorliegenden Machbarkeitsstudie soll geprüft werden, ob mithilfe eines Deep-learning-Algorithmus die Papille und das Ostium zuverlässig detektiert werden können und somit für Endoskopiker mit geringer Erfahrung ein geeignetes Hilfsmittel, insbesondere für die Ausbildungssituation, darstellen könnten.&#13;
&#13;
Methodik&#13;
Wir betrachteten insgesamt 606 Bilddatensätze von 65 Patienten. In diesen wurde sowohl die Papilla duodeni major als auch das Ostium segmentiert. Anschließend wurde eine neuronales Netz mittels eines Deep-learning-Algorithmus trainiert. Außerdem erfolgte eine 5-fache Kreuzvaldierung.&#13;
&#13;
Ergebnisse&#13;
Bei einer 5-fachen Kreuzvaldierung auf den 606 gelabelten Daten konnte für die Klasse Papille eine F1-Wert von 0,7908, eine Sensitivität von 0,7943 und eine Spezifität von 0,9785 erreicht werden, für die Klasse Ostium eine F1-Wert von 0,5538, eine Sensitivität von 0,5094 und eine Spezifität von 0,9970 (vgl. [Tab. 1]). Unabhängig von der Klasse zeigte sich gemittelt (Klasse Papille und Klasse Ostium) ein F1-Wert von 0,6673, eine Sensitivität von 0,6519 und eine Spezifität von 0,9877 (vgl. [Tab. 2]).&#13;
&#13;
Schlussfolgerung &#13;
In vorliegende Machbarkeitsstudie konnte das neuronale Netz die Papilla duodeni major mit einer hohen Sensitivität und sehr hohen Spezifität identifizieren. Bei der Detektion des Ostiums war die Sensitivität deutlich geringer. Zukünftig soll das das neuronale Netz mit mehr Daten trainiert werden. Außerdem ist geplant, den Algorithmus auch auf Videos anzuwenden. Somit könnte langfristig ein geeignetes Hilfsmittel für die ERCP etabliert werden.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0043-1772000</identifier>
    <identifier type="url">https://www.thieme-connect.de/products/ejournals/abstract/10.1055/s-0043-1772000</identifier>
    <enrichment key="ConferenceStatement">Viszeralmedizin 2023 77. Jahrestagung der DGVS mit Sektion Endoskopie Herbsttagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Stephan Zellmer</author>
    <author>David Rauber</author>
    <author>Andreas Probst</author>
    <author>Tobias Weber</author>
    <author>Sandra Nagl</author>
    <author>Christoph Römmele</author>
    <author>Elisabeth Schnoy</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
  <doc>
    <id>8846</id>
    <completedYear/>
    <publishedYear>2026</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>31</pageNumber>
    <edition/>
    <issue/>
    <volume>109</volume>
    <type>article</type>
    <publisherName>Elsevier</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Comparative validation of surgical phase recognition, instrument keypoint estimation, and instrument instance segmentation in endoscopy: Results of the PhaKIR 2024 challenge</title>
    <abstract language="eng">Reliable recognition and localization of surgical instruments in endoscopic video recordings are foundational for a wide range of applications in computer- and robot-assisted minimally invasive surgery (RAMIS), including surgical training, skill assessment, and autonomous assistance. However, robust performance under real-world conditions remains a significant challenge. Incorporating surgical context – such as the current procedural phase – has emerged as a promising strategy to improve robustness and interpretability.&#13;
To address these challenges, we organized the Surgical Procedure Phase, Keypoint, and Instrument Recognition (PhaKIR) sub-challenge as part of the Endoscopic Vision (EndoVis) challenge at MICCAI 2024. We introduced a novel, multi-center dataset comprising thirteen full-length laparoscopic cholecystectomy videos collected from three distinct medical institutions, with unified annotations for three interrelated tasks: surgical phase recognition, instrument keypoint estimation, and instrument instance segmentation. Unlike existing datasets, ours enables joint investigation of instrument localization and procedural context within the same data while supporting the integration of temporal information across entire procedures.&#13;
We report results and findings in accordance with the BIAS guidelines for biomedical image analysis challenges. The PhaKIR sub-challenge advances the field by providing a unique benchmark for developing temporally aware, context-driven methods in RAMIS and offers a high-quality resource to support future research in surgical scene understanding.</abstract>
    <parentTitle language="eng">Medical Image Analysis</parentTitle>
    <identifier type="issn">1361-8415</identifier>
    <identifier type="doi">10.1016/j.media.2026.103945</identifier>
    <note>Corresponding author der OTH Regensburg: Tobias Rueckert&#13;
&#13;
Die Preprint-Version ist ebenfalls in diesem Repositorium verzeichnet unter: &#13;
https://opus4.kobv.de/opus4-oth-regensburg/solrsearch/index/search/start/0/rows/10/sortfield/score/sortorder/desc/searchtype/simple/query/2507.16559</note>
    <enrichment key="opus_doi_flag">true</enrichment>
    <enrichment key="local_crossrefDocumentType">journal-article</enrichment>
    <enrichment key="local_crossrefLicence">https://www.elsevier.com/tdm/userlicense/1.0/</enrichment>
    <enrichment key="local_import_origin">crossref</enrichment>
    <enrichment key="opus.source">doi-import</enrichment>
    <enrichment key="CorrespondingAuthor">Tobias Rueckert</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <enrichment key="Kostentraeger">2027701</enrichment>
    <licence>Creative Commons - CC BY-NC - Namensnennung - Nicht kommerziell 4.0 International</licence>
    <author>Tobias Rueckert</author>
    <author>David Rauber</author>
    <author>Raphaela Maerkl</author>
    <author>Leonard Klausmann</author>
    <author>Suemeyye R. Yildiran</author>
    <author>Max Gutbrod</author>
    <author>Danilo Weber Nunes</author>
    <author>Alvaro Fernandez Moreno</author>
    <author>Imanol Luengo</author>
    <author>Danail Stoyanov</author>
    <author>Nicolas Toussaint</author>
    <author>Enki Cho</author>
    <author>Hyeon Bae Kim</author>
    <author>Oh Sung Choo</author>
    <author>Ka Young Kim</author>
    <author>Seong Tae Kim</author>
    <author>Gonçalo Arantes</author>
    <author>Kehan Song</author>
    <author>Jianjun Zhu</author>
    <author>Junchen Xiong</author>
    <author>Tingyi Lin</author>
    <author>Shunsuke Kikuchi</author>
    <author>Hiroki Matsuzaki</author>
    <author>Atsushi Kouno</author>
    <author>João Renato Ribeiro Manesco</author>
    <author>João Paulo Papa</author>
    <author>Tae-Min Choi</author>
    <author>Tae Kyeong Jeong</author>
    <author>Juyoun Park</author>
    <author>Oluwatosin Alabi</author>
    <author>Meng Wei</author>
    <author>Tom Vercauteren</author>
    <author>Runzhi Wu</author>
    <author>Mengya Xu</author>
    <author>An Wang</author>
    <author>Long Bai</author>
    <author>Hongliang Ren</author>
    <author>Amine Yamlahi</author>
    <author>Jakob Hennighausen</author>
    <author>Lena Maier-Hein</author>
    <author>Satoshi Kondo</author>
    <author>Satoshi Kasai</author>
    <author>Kousuke Hirasawa</author>
    <author>Shu Yang</author>
    <author>Yihui Wang</author>
    <author>Hao Chen</author>
    <author>Santiago Rodríguez</author>
    <author>Nicolás Aparicio</author>
    <author>Leonardo Manrique</author>
    <author>Christoph Palm</author>
    <author>Dirk Wilhelm</author>
    <author>Hubertus Feussner</author>
    <author>Daniel Rueckert</author>
    <author>Stefanie Speidel</author>
    <author>Sahar Nasirihaghighi</author>
    <author>Yasmina Al Khalil</author>
    <author>Yiping Li</author>
    <author>Pablo Arbeláez</author>
    <author>Nicolás Ayobi</author>
    <author>Olivia Hosie</author>
    <author>Juan Camilo Lyons</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Surgical phase recognition</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Instrument keypoint estimation</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Instrument instance segmentation</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Robot-assisted surgery</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCBE">Regensburg Center of Biomedical Engineering - RCBE</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="oaweg" number="">Hybrid Open Access - OA-Veröffentlichung in einer Subskriptionszeitschrift/-medium</collection>
    <collection role="oaweg" number="">Corresponding author der OTH Regensburg</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="funding" number="">DEAL Elsevier</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Digitale Transformation</collection>
  </doc>
  <doc>
    <id>8869</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>researchdata</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">PhaKIR Dataset - Surgical Procedure Phase, Keypoint, and Instrument Recognition [Data set]</title>
    <abstract language="eng">Note: A script for extracting the individual frames from the video files while preserving the challenge-compliant directory structure and frame-to-mask naming conventions is available on GitHub and can be accessed here: https://github.com/remic-othr/PhaKIR_Dataset.&#13;
&#13;
The dataset is described in the following publications: &#13;
&#13;
    Rueckert, Tobias et al.: Comparative validation of surgical phase recognition, instrument keypoint estimation, and instrument instance segmentation in endoscopy: Results of the PhaKIR 2024 challenge. arXiv preprint, https://arxiv.org/abs/2507.16559. 2025.&#13;
    Rueckert, Tobias et al.: Video Dataset for Surgical Phase, Keypoint, and Instrument Recognition in Laparoscopic Surgery (PhaKIR). arXiv preprint, https://arxiv.org/abs/2511.06549. 2025.&#13;
&#13;
The proposed dataset was used as the training dataset in the PhaKIR challenge (https://phakir.re-mic.de/) as part of EndoVis-2024 at MICCAI 2024 and consists of eight real-world videos of human cholecystectomies ranging from 23 to 60 minutes in duration. The procedures were performed by experienced physicians, and the videos were recorded in three hospitals. In addition to existing datasets, our annotations provide pixel-wise instance segmentation masks of surgical instruments for a total of 19 categories, coordinates of relevant instrument keypoints (instrument tip(s), shaft-tip transition, shaft), both at an interval of one frame per second, and specifications regarding the intervention phases for a total of eight different phase categories for each individual frame in one dataset and thus comprehensively cover instrument localization and the context of the operation. Furthermore, the provision of the complete video sequences offers the opportunity to include the temporal information regarding the respective tasks and thus further optimize the resulting methods and outcomes.</abstract>
    <identifier type="doi">10.5281/zenodo.15740620</identifier>
    <enrichment key="file_type">Dataset</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">false</enrichment>
    <licence>Creative Commons - CC BY-NC-SA - Namensnennung - Nicht kommerziell -  Weitergabe unter gleichen Bedingungen 4.0 International</licence>
    <author>Tobias Rueckert</author>
    <author>David Rauber</author>
    <author>Leonard Klausmann</author>
    <author>Max Gutbrod</author>
    <author>Daniel Rueckert</author>
    <author>Hubertus Feussner</author>
    <author>Dirk Wilhelm</author>
    <author>Christoph Palm</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCBE">Regensburg Center of Biomedical Engineering - RCBE</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Digitale Transformation</collection>
  </doc>
  <doc>
    <id>8866</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>researchdata</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">A cleaned subset of the first five CATARACTS test videos [Data set]</title>
    <abstract language="eng">This dataset is a subset of the original CATARACTS test dataset and is used by the OpenMIBOOD framework to evaluate a specific out-of-distribution setting.&#13;
When using this dataset, it is mandatory to cite the corresponding publication (OpenMIBOOD (10.1109/CVPR52734.2025.02410)) and follow the acknowledgement and citation requirements of the original dataset (CATARACTS).&#13;
&#13;
The original CATARACTS dataset (associated publication,Homepage) consists of 50 videos of cataract surgeries, split into 25 train and 25 test videos.&#13;
This subset contains the frames of the first 5 test videos. Further, black frames at the beginning of each video were removed.</abstract>
    <identifier type="doi">10.5281/zenodo.14924735</identifier>
    <note>Related works: &#13;
Is derived from:&#13;
Dataset: 10.21227/ac97-8m18 (DOI)&#13;
&#13;
Software:&#13;
Repository URL: https://github.com/remic-othr/OpenMIBOOD</note>
    <enrichment key="file_format">.jpg</enrichment>
    <enrichment key="file_size">29.6 GB</enrichment>
    <enrichment key="file_type">Image</enrichment>
    <enrichment key="ConferenceStatement">The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2025 (CVPR) , Nashville, Tennesse, 11-15 June 2025</enrichment>
    <licence>Creative Commons - CC BY-NC-SA - Namensnennung - Nicht kommerziell -  Weitergabe unter gleichen Bedingungen 4.0 International</licence>
    <author>Max Gutbrod</author>
    <author>David Rauber</author>
    <author>Danilo Weber Nunes</author>
    <author>Christoph Palm</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="4">Naturwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
  <doc>
    <id>8881</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>researchdata</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Cropped single instrument frames subset from Cholec80 [Data set]</title>
    <abstract language="eng">This dataset is a subset of the original Cholec80 dataset and is used by the OpenMIBOOD framework to evaluate a specific out-of-distribution setting.&#13;
When using this dataset, it is mandatory to cite the corresponding publication (OpenMIBOOD) and to follow the acknowledgement and citation requirements of the original dataset (Cholec80).&#13;
&#13;
The original Cholec80 dataset (associated paper,Homepage) consists of 80 cholecystectomy surgery videos recorded at 25 fps, performed by 13 surgeons. It includes phase annotations (25 fps) and tool presence labels (1 fps), with phase definitions provided by a senior surgeon. A tool is considered present if at least half of its tip is visible. The dataset categorizes tools into seven types: Grasper, Bipolar, Hook, Scissors, Clipper, Irrigator, and Specimen bag. Multiple tools may be present in each frame. Additionally, 76 of the 80 videos exhibit a strong black vignette.&#13;
&#13;
For this dataset subset, frames were extracted based on tool presence labels, selecting only those containing Grasper, Bipolar, Hook, or Clipper while ensuring that only a single tool appears per frame. To enhance visual consistency, the black vignette was removed by extracting an inner rectangular region, where applicable.</abstract>
    <identifier type="doi">10.5281/zenodo.14921670</identifier>
    <note>Related works&#13;
Is derived from&#13;
Journal article: 10.1109/TMI.2016.2593957&#13;
&#13;
Software Repository URL &#13;
https://github.com/remic-othr/OpenMIBOOD</note>
    <enrichment key="file_format">.png</enrichment>
    <enrichment key="file_size">20.5 GB</enrichment>
    <enrichment key="file_type">Image</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">false</enrichment>
    <licence>Creative Commons - CC BY-NC-SA - Namensnennung - Nicht kommerziell -  Weitergabe unter gleichen Bedingungen 4.0 International</licence>
    <author>Max Gutbrod</author>
    <author>David Rauber</author>
    <author>Danilo Weber Nunes</author>
    <author>Christoph Palm</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Tool Presence Detection</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Cholecystectomy</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Laparoscopic</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Deep Learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Out-Of-Distribution Detection</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
  <doc>
    <id>8882</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>researchdata</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">OpenMIBOOD's classification models for the MIDOG, PhaKIR, and OASIS-3 benchmarks [Data set]</title>
    <abstract language="eng">These models are provided for evaluating post-hoc out-of-distribution methods on the three OpenMIBOOD benchmarks: MIDOG, PhaKIR, and OASIS-3.&#13;
&#13;
When using these models, make sure to give appropriate credit and cite the OpenMIBOOD publication.</abstract>
    <identifier type="doi">10.5281/zenodo.14982267</identifier>
    <note>Software Repository URL &#13;
https://github.com/remic-othr/OpenMIBOOD</note>
    <enrichment key="file_format">.pth</enrichment>
    <enrichment key="file_size">264.5 MB</enrichment>
    <enrichment key="file_type">Model</enrichment>
    <licence>Creative Commons - CC BY - Namensnennung 4.0 International</licence>
    <author>Max Gutbrod</author>
    <author>David Rauber</author>
    <author>Danilo Weber Nunes</author>
    <author>Christoph Palm</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
  <doc>
    <id>6369</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted>2022</thesisYearAccepted>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>262</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>doctoralthesis</type>
    <publisherName>Universidade Federal de São Carlos</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-03-28</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Computer-assisted diagnosis of Barrett's esophagus using machine learning techniques</title>
    <title language="por">Auxílio ao diagnóstico automático do esôfago de Barrett utilizando aprendizado de máquina</title>
    <abstract language="eng">Esophageal adenocarcinoma is an illness that is usually hard to detect at the early stages&#13;
in the presence of Barrett’s esohagus. The development of automatic evaluation systems of such illness may be very useful, thus assisting the experts in the neoplastic region detection. With the strong growth of machine learning techniques aiming to improve the effectivess of medical diagnosis, the use of such approaches characterizes a strong scenario to be explored for the early diagnosis of esophageal adenocarcinoma. Barrett’s esophagus as a predecessor of adenocarcinoma can be explained by some risk factors, such as obesity, smoking, and late medical diagnosis. This project proposes the development of new computer vision and machine learning techniques to assist the automatic diagnosis of the esophageal adenocarcinioma based on the evaluation of two kind of features: (i) handcrafted features, calculated by means of human knowledge using some image processing technique and; (ii) deeply-learnable features, calculated exclusively based on deep learning techniques. From the extensive application of global and local protocols for the models proposed in this work, the description of cancer-affected images and Barrett’s esophagus-affected samples were generalized and deeply evaluated using, for example, classifiers such as Support Vector Machines, ResNet-50 and the combination of descriptions by handcrafted and deeply-learnable features. Also, the behavior of the automatic definition of key-points within the evaluated techniques was observed, something of a paramount importance nowadays to guarantee transparency and reliability in the decisions made by computational techniques. Thus, this project contributes to both the computational and medical fields, introducing new classifiers, approaches and interpretation of the class generalization process, in addition to proposing fast and precise manners to define cancer, delivering important and novel results concerning the accurate identification of cancer in samples affected by Barrett’s esophagus, showing values around 95% of correct identification rates and arranged in a collection of scientific works developed by the author during the research period and submitted/published to date.</abstract>
    <identifier type="handle">https://repositorio.ufscar.br/handle/ufscar/15820</identifier>
    <enrichment key="TitelVerleihendInstitution">Universidade federal de São Carlos, Centro de Ciências exatas e de tecnologia</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">false</enrichment>
    <author>Luis Antonio de Souza Jr.</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine Learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Barrett's esophagus</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Deep Learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>handcrafted features</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>deeply-learnable features</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>convolutional neural networks</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>interpretability</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="othpublikationsherkunft" number="">Dissertation in Kooperation</collection>
  </doc>
  <doc>
    <id>8974</id>
    <completedYear/>
    <publishedYear>2026</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>xxix, 496</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>conferencevolume</type>
    <publisherName>Springer Vieweg</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation>Gesellschaft für Informatik e.V.</contributingCorporation>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2026-03-29</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Bildverarbeitung für die Medizin 2026 : Proceedings, German Conference on Medical Image Computing, Lübeck March 15–17, 2026</title>
    <abstract language="deu">Die Konferenz "BVM – Bildverarbeitung für die Medizin" ist seit vielen Jahren als die nationale Plattform für den Austausch von Ideen und die Diskussion der neuesten Forschungsergebnisse im Bereich der Medizinischen Bildverarbeitung und der Künstlichen Intelligenz (KI) etabliert. Auch 2026 haben (junge) Wissenschaftler*innen, Industrie und Anwender*innen diesen Austausch vertieft. Die Beiträge dieses Bandes – die meisten davon in englischer Sprache – umfassen alle Bereiche der medizinischen Bildverarbeitung, insbesondere die Bildgebung und -akquisition, Segmentierung und Analyse, Registrierung, Visualisierung und Animation, computerunterstützte Diagnose sowie bildgestützte Therapieplanung und Therapie. Hierbei kommen Methoden des maschinellen Lernens, der biomechanischen Modellierung sowie der Validierung und Qualitätssicherung zum Einsatz.</abstract>
    <identifier type="isbn">978-3-658-51099-2</identifier>
    <identifier type="issn">1431-472X</identifier>
    <identifier type="doi">10.1007/978-3-658-51100-5</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">false</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildverarbeitung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Computerunterstützte Medizin</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildgebendes Verfahren</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildanalyse</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Deep Learning</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
  <doc>
    <id>8976</id>
    <completedYear/>
    <publishedYear>2026</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>362</pageFirst>
    <pageLast>367</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Springer Vieweg</publisherName>
    <publisherPlace>Wiesbaden</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2026-03-29</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Improving Generalization in Mitotic Cell Detection via Domain Transformations</title>
    <abstract language="eng">We address domain generalization (DG) in mitotic-cell (MC) detection by combining a β-variational autoencoder (VAE) for domain transformations with feature-space alignment together with an object detector. The β-VAE synthesizes domain-transformed images, and the detector is trained to map originals and their transformed counterparts to equal representations. On the MIDOG++ dataset, this approach improves out-of-domain detection F1 scores by 7 and 3 percentage points compared to the color-variation augmentation and stain-normalization baselines. Results further suggest that morphology shifts hinder generalization more than stain shifts.</abstract>
    <parentTitle language="eng">Bildverarbeitung für die Medizin 2025: Proceedings, German Conference on Medical Image Computing, Lübeck March 15-17, 2026</parentTitle>
    <identifier type="doi">10.1007/978-3-658-51100-5_71</identifier>
    <enrichment key="OtherSeries">Informatik aktuell</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="OtherSeries">BVM Workshop</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Max Gutbrod</author>
    <author>David Rauber</author>
    <author>Christoph Palm</author>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildverarbeitung</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCHST">Regensburg Center of Health Sciences and Technology - RCHST</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
  <doc>
    <id>8968</id>
    <completedYear/>
    <publishedYear>2026</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>e64</pageFirst>
    <pageLast>e65</pageLast>
    <pageNumber/>
    <edition/>
    <issue>03</issue>
    <volume>64</volume>
    <type>article</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">KI-gestützte Detektion und Segmentierung von Magenkarzinomen in westlichen endoskopischen Bilddaten anhand eines fine-tuned Deep-Learning Ansatzes</title>
    <abstract language="deu">Diese vorläufige monozentrische Studie zeigt, dass ein aus einem Barrett-Ösophagus-KI-System feinjustiertes Deep-Learning-Modell Magenkarzinome in westlichen multimodalen endoskopischen Bilddaten zuverlässig detektieren und präzise segmentieren kann. Die hohe Segmentierungsgenauigkeit und Detektionssensitivität über verschiedene Bildmodalitäten hinweg unterstreichen die Machbarkeit eines pathologiegestützten KI-Ansatzes auch in einer westlichen Niedriginzidenzpopulation. Aufgrund der ausschließlichen Verwendung von Bildern mit sichtbaren Tumoren lassen sich keine Aussagen zur Spezifität treffen; eine Übertragbarkeit auf Screening- oder Mischkollektive ist daher limitiert. Weitere Studien mit a) größerem Datensatz inklusive Videodaten, b) externer Validierung an einer multizentrischen westlichen Kohorte, sowie c) Anwendung und Prüfung an nicht-neoplastischen Vergleichsbildern oder anderen Pathologien sind erforderlich.&#13;
&#13;
Nach unserem Kenntnisstand zählt dieses System zu den ersten in einer westlichen Population entwickelten endoskopischen KI-Ansätzen zur Magenkarzinomdetektion, und zu wenigen, die vollständige ESD-präparatbasierte Referenzdaten für Training und Validierung nutzen.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0046-1817751</identifier>
    <enrichment key="opus.import.date">2026-03-29T15:41:42+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">importuser</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">false</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>M. Wallner</author>
    <author>Max Gutbrod</author>
    <author>David Rauber</author>
    <author>Alanna Ebigbo</author>
    <author>Andreas Probst</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>David Roser</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="1">Ingenieurwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
</export-example>
