Multi-Reader-gestützte manuelle Segmentierung der tief infiltrierenden Endometriose in der Becken-MRT: Ein Referenzdatensatz für KI-basierte Analysen

A Moser; V D Vu; P Ehte; V Krenn; P Michaelides; H T Chen; G Krombach; S Harth

doi:10.1055/s-0046-1817689

Multi-Reader-gestützte manuelle Segmentierung der tief infiltrierenden Endometriose in der Becken-MRT: Ein Referenzdatensatz für KI-basierte Analysen

A Moser, V D Vu, P Ehte, V Krenn, P Michaelides, H T Chen, G Krombach, S Harth

In: RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 2026 · vol. 198(S 01) , pp. S91–S92 · doi:10.1055/s-0046-1817689 · W7155158539

article OA: closed CC0

Full text JSON View on OpenAlex View at publisher

⚙ AI-generated summary by gemini-2.5-flash-lite, 2026-08-05 ⓘ

This study created a reference dataset of multi-reader-annotated deep infiltrating endometriosis in pelvic MRI to facilitate AI-based analysis.

One-sentence paraphrase of the abstract; not a substitute for reading it. No clinical advice. How this works

⚙ AI-generated deep summary by qwen3.7-flash, 2026-09-12 · read from full text ⓘ

This study established a multi-reader segmentation framework for deep infiltrating endometriosis using pelvic MRI. Researchers manually segmented 20 anonymized datasets across five independent annotators, followed by consensus correction from an experienced radiologist to create a robust ground-truth dataset. The analysis demonstrated that this approach reduced inter-observer variability and provided a standardized reference for developing artificial intelligence tools in gynecological imaging. This paper is centrally about endometriosis — specifically the manual segmentation of deep infiltrating lesions on MRI for AI training purposes.

Read from the paper's body, not the abstract. Not a substitute for reading the paper. No clinical advice. How this works

Full text 2,419 characters · extracted from oa-doi-fallback · click to expand

DOI: 10.1055/s-0046-1817689 Multi-Reader-gestützte manuelle Segmentierung der tief infiltrierenden Endometriose in der Becken-MRT: Ein Referenzdatensatz für KI-basierte Analysen Authors Zielsetzung Die tief infiltrierende Endometriose (TIE) ist eine chronische gynäkologische Erkrankung, die vorwiegend Beckenstrukturen infiltriert und eine Herausforderung für die klinische Entscheidungsfindung darstellt. Die MRT ermöglicht eine nicht-invasive Kartierung der TIE, jedoch erschweren die heterogene Läsionsmorphologie und variable Signalintensitäten eine konsistente Abgrenzung. Ziel dieser Studie war es, ein Multi-Reader-Segmentierungsframework auf sagittalen T2-gewichteten MRT-Bildern zu etablieren, um ein robustes Ground-Truth-Datenset für Anwendungen der Künstlichen Intelligenz (KI) zu generieren. Material und Methoden Es wurden 20 anonymisierte Becken-MRT-Datensätze von Patientinnen mit radiologisch gesicherter TIE aus einer größeren institutsinternen Kohorte ausgewählt. Sagittale T2-gewichtete Fast-Spin-Echo-(FSE)-Sequenzen wurden unabhängig von fünf geschulten Annotator:innen entsprechend der #Enzian-Klassifikation (Kategorien A–C, FA–FI, FU) segmentiert. Alle Annotationen wurden anschließend durch eine strukturierte Konsensuskorrektur durch einen erfahrene Radiologen mit über 10 Jahren Erfahrung in der gynäkologischen MRT-Bildgebung überprüft. Die Interobserver-Variabilität wurde mittels Cohen’s κ, gewichteten κ, Fleiss’ κ und Kendall’s W bewertet. Ergebnisse Alle 20 Datensätze wurden erfolgreich von fünf unabhängigen Leser:innen segmentiert. Die statistische Analyse zeigte eine Variabilität zwischen den individuellen Annotationen, mit einer verbesserten Übereinstimmung nach der Konsensuskorrektur. Das Multi-Reader-Design reduzierte subjektive Verzerrungen, spiegelte diagnostische Unsicherheiten wider und lieferte einen klinisch relevanten Referenzstandard. Schlussfolgerungen Das vorgestellte Multi-Reader-Segmentierungsframework schafft ein hochwertiges Ground-Truth-Datenset für sagittale T2-gewichtete MRT-Aufnahmen der TIE. Es unterstützt die reproduzierbare KI-Entwicklung, erleichtert die automatisierte #Enzian-Klassifikation und trägt zur Standardisierung der Befundung in der gynäkologischen Bildgebung bei. Publication History Article published online: 22 April 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Text is read by the "Ask this paper" AI Q&A widget below. Extraction quality varies by source — PMC NXML preserves structure cleanly, OA-HTML may include some navigation residue, and OA-PDF can have broken hyphenation. The publisher copy (via DOI) is the canonical version.

My notes (saved in your browser only)

⚙ Ask this paper AI returns verbatim quotes from the full text · source: oa-doi-fallback ⓘ

Answers must be backed by verbatim quotes from this paper's full text. Hallucinated quotes are dropped automatically; if no verbatim passage answers the question, we say so. How this works

Outcome instruments

Enzian

Citation neighborhood (no data yet)

We don't have any in-corpus citations linked to this paper yet. This is a recent paper (2026) — citers typically take a year or two to land, and the OpenAlex reference graph may still be filling in.

Source provenance

openalex: last seen: 2026-07-01T06:05:52.148367+00:00
unpaywall: last seen: 2026-09-27T06:17:51.937953+00:00

License: CC0 · commercial use OK