Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Doelstelling (1) Bepalen van een ‘geïndividualiseerde scandelay’ aan de hand van patiëntparameters en (2) nagaan of de aankleuring in verschillende weefsels onafhankelijk is van de patiëntparameters. Methode Er wordt bij 100 patiënten een CT abdomen uitgevoerd met een gepersonaliseerd contrastvolume (iCalc) en een monitoringscan met een ROI in het hepatisch parenchym. De scan wordt gestart na piekaankleuring in de ROI. Verschillende HU-metingen worden uitgevoerd in 10 landmarks. De Pearson correlatie analyse wordt uitgevoerd tussen de patiëntparameters, gemeten HU-waarden en de tijd tot piekaankleuring. De bekomen significante parameters worden in een lineaire regressieanalyse gezet, waaruit een formule wordt bekomen voor een optimale TTP. Resultaat Het lichaamsgewicht (r=0,72; p<0,001), lichaamslengte (r=0,46; p<0,001), diastole (r=0,31; p=0,006), injectie volume (r=0,66; p<0,001), injectieduur (r=0,75; p<0,001) en injectiesnelheid (r=-0,26; p=0,021) correleren significant met de TTP. De HU-metingen (3/10) correleren matig (0,46;0,39;0,3; p<0,001) met contrastvolume; matig (6/10) (0,38;0,35;0,44;0,34;0,37;0,34; p<0,001) met hartslagfrequentie en matig (6/10) (0,31;0,36;0,46;0,35;0,32;0,38, p<0,001) met injectieduur. Er is een verschil van 9,92±2,71 (p<0,001) seconden en 10,39±2,32 (p<0,001) seconden in respectievelijk de gemeten- en de voorspelde TTP tussen beide geslachten. Conclusie  De huidige manier van werken (delay op 100s) zorgt voor een suboptimale contrasttiming.  De TTP kan worden voorspelt aan de hand van volgende formule: TTP (±6,83)= (Contrastvolume (ml)*-0,34) + (Injectieduur (s)*0,71) + (Leeftijd (jj)*0,23) + (Gewicht (kg)*0,31) + (Lengte (cm)*0,29).  De aankleuring in het hepatisch parenchym is onafhankelijk van de patiëntparameters bij gebruik van een gepersonaliseerd contrastvolume. De aankleuring in andere landmarks is nog steeds afhankelijk van het contrastvolume, hartslagfrequentie en de injectieduur.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Doelstelling (1) Bepalen van een ‘geïndividualiseerde scandelay’ aan de hand van patiëntparameters en (2) nagaan of de aankleuring in verschillende weefsels onafhankelijk is van de patiëntparameters. Methode Er wordt bij 100 patiënten een CT abdomen uitgevoerd met een gepersonaliseerd contrastvolume (iCalc) en een monitoringscan met een ROI in het hepatisch parenchym. De scan wordt gestart na piekaankleuring in de ROI. Verschillende HU-metingen worden uitgevoerd in 10 landmarks. De Pearson correlatie analyse wordt uitgevoerd tussen de patiëntparameters, gemeten HU-waarden en de tijd tot piekaankleuring. De bekomen significante parameters worden in een lineaire regressieanalyse gezet, waaruit een formule wordt bekomen voor een optimale TTP. Resultaat Het lichaamsgewicht (r=0,72; p<0,001), lichaamslengte (r=0,46; p<0,001), diastole (r=0,31; p=0,006), injectie volume (r=0,66; p<0,001), injectieduur (r=0,75; p<0,001) en injectiesnelheid (r=-0,26; p=0,021) correleren significant met de TTP. De HU-metingen (3/10) correleren matig (0,46;0,39;0,3; p<0,001) met contrastvolume; matig (6/10) (0,38;0,35;0,44;0,34;0,37;0,34; p<0,001) met hartslagfrequentie en matig (6/10) (0,31;0,36;0,46;0,35;0,32;0,38, p<0,001) met injectieduur. Er is een verschil van 9,92±2,71 (p<0,001) seconden en 10,39±2,32 (p<0,001) seconden in respectievelijk de gemeten- en de voorspelde TTP tussen beide geslachten. Conclusie * De huidige manier van werken (delay op 100s) zorgt voor een suboptimale contrasttiming. * De TTP kan worden voorspelt aan de hand van volgende formule: TTP (±6,83)= (Contrastvolume (ml)*-0,34) + (Injectieduur (s)*0,71) + (Leeftijd (jj)*0,23) + (Gewicht (kg)*0,31) + (Lengte (cm)*0,29). * De aankleuring in het hepatisch parenchym is onafhankelijk van de patiëntparameters bij gebruik van een gepersonaliseerd contrastvolume. De aankleuring in andere landmarks is nog steeds afhankelijk van het contrastvolume, hartslagfrequentie en de injectieduur.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Probleem & doelstelling/vraagstelling Deze studie onderzoekt of het mogelijk is om minder jodiumhoudend contraststof toe te dienen d.m.v. verdunde concentraties, zonder het diagnostisch beeld in drang te brengen. Dit vermindert de kans op allergische renale en niet-renale contrastreacties. Methode Twintig proefbuisjes met verschillende concentraties Iomeron 350® werden gemaakt, van 0% tot 1,9%. Een selectie van zes proefbuisjes werd gemaakt op basis van gemiddelde HU in arteriële en veneuze fasen. Deze werden in een plexiglasfantoom geplaatst en gescand op de vier beschikbare CT-toestellen in het UZ Leuven. Met alle beschikbare buisspanningen werd gescand, gecombineerd met vijf verschillende CTDIvol. Telkens werd de DLP genoteerd en de HU en ruis gemeten. Hierbij werden HU en ruis waardes verwerkt in grafieken en besproken. Resultaat Bij Siemens Somatom Force kan bij een arteriële fase 62,50% tot 18,75% Iomeron 350® bespaard worden bij een lagere buisspanning, bij Philips Ingenuity 50% tot 18,75%, bij Toshiba Aquilion One 50% tot 18,75% en tenslotte bij Siemens Somatom Definition Flash 50% tot 18,75%. Bespreking Het is mogelijk om een lagere verdunde concentratie Iomeron 350® te gebruiken wanneer de buisspanning verlaagt. Gevolg is een verhoogde ruis, waardoor de CTDIvol moet stijgen. En dus ook de DLP stijgt. Dit wordt ook zo beschreven in de literatuur. Conclusie Het verlagen van de buisspanning heeft als gevolg dat het toegediende contraststof kan worden verdund. Referentielijst • Bae, K. T., 2010. Intravenous Contrast Medium Administration an Scan Timing at CT: Considerations and Approaches. Radiology, 256(1), pp. 32-61. • Buls, N., Van Gompel, G., Van Cauteren, T., Nieboer, K., Willekens, I., Verfaillie, G., Evans, P., Macholl, S., Newton, B. and de Mey, J., 2014. Contrast agent and raduction in abdominal CT by a combination of low tube voltage and advanced image reconstruction algorithmes. European Radiology, 25, pp. 1023-1031. • Nakaura, T., Awai, K., Maruyama, N., Takata, N., Yoshinaka, I., Harada, K., Uemura, S. and Yamashita, Y., 2011. Abdominal Dynamic CT in Patiënts with Renal Dysfuction: Contrast Agent Dose Reduction with Low Tube Voltage and High Tube Current-Time Product Settings at 256-Detector Row CT. Radiology, 261(2), pp. 467-476.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Probleem& doelstelling/vraagstelling We willen nagaan in hoeverre de concentratie van de contraststofvloeistof kan verdund worden bij een onveranderd totaal geïnjecteerd contraststofvolume en zo dat de diagnostische kwaliteit van het onderzoek behouden blijft. Methode De dataverzameling van deze eindproef werd uitgevoerd op een groep van 50 patiënten over een periode van vijf maanden in het universitair ziekenhuis Gasthuisberg te Leuven. De 50 patiënten werden onderverdeeld in drie groepen met een verschillende verdunning (0%, 10% en 20%). Bij elk onderzoek werden er nadien Hounsfield Unit (HU) metingen uitgevoerd in gekozen anatomische structuren. Twee expert radiologen hebben in consensus de diagnostische kwaliteit van de beelden beoordeeld. Resultaat Bij het 10% verdunnen van het contrastmiddel daalt de gemiddelde HU met 7.58%. Bij 20% verdunnen van het contrast blijkt de gemiddelde HU met 16% te zijn gedaald. Uit een visueel scoring systeem blijkt dat er geen significant verschil is tussen de verdunningsreeksen en de controle groep. Discussie De metingen van de HU toonden, zoals verwacht ,een evenredigheid aan tussen %verdunning en HU. De diagnosiseerbaarheid werd statistisch verwerkt en er blijkt geen significant verschil te zijn tussen de verschillende reeksen. Daarentegen blijkt uit de feedback van Prof. Bielen dat men op een kantelpunt komt bij 20% verdunning. Conclusie Er werd besloten dat er kan gewerkt worden met 10% verdunning. Om tot 20% verdunning te kunnen gaan zou vooral de mannelijke studiegroep moeten vergroot worden.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Deep learning (DL) is a machine learning algorithm. It uses artificial neural networks (ANN) to extract features out of raw data to solve problems. This technology will play an important role in the future. To anticipate on this evolution, a survey among medicine students and doctors was conducted about the potential role of artificial intelligence (AI). The purpose of this thesis is twofold. First, it aims to explain deep learning to medical staff. Those who are already familiar with DL, can find the literature survey regarding the use of deep learning in bone fracture detection at page 13, after the introduction section. Second, a literature survey was performed about the current state of deep learning in fracture detection.