David Rutkevich

Vortrag — Quellen

Ciao MTR – welcome KI?

David Rutkevich

Folien herunterladen

Software & Tools

  1. TotalSegmentator Wasserthal et al. — Robuste Segmentierung von über 100 anatomischen Strukturen in CT- und MRT-Bildern. github.com/wasserth/totalsegmentator
  2. Body and Organ Analysis (BOA) UMEssen / IKIM — CT-Segmentierungstool, das TotalSegmentator mit Körperzusammensetzungsanalyse kombiniert. github.com/UMEssen/Body-and-Organ-Analysis
  3. NV-Generate-CTMR NVIDIA Medtech — 3D Latent Diffusion Models zur Synthese von CT- und MRT-Bildern mit dazugehörigen Segmentierungsmasken. github.com/NVIDIA-Medtech/NV-Generate-CTMR

Dosisreduktion & Segmentierung

  1. 75% Radiation Dose Reduction Using Deep Learning Reconstruction on Low-Dose Chest CT Jo et al. BMC Medical Imaging, 2023. PMID: 37697262 pubmed.ncbi.nlm.nih.gov/37697262
  2. Deep-Learning-Based Reconstruction of Undersampled MRI to Reduce Scan Times Rastogi et al. Lancet Oncology, 2024. — MRT-Scans 10× schneller bei gleicher diagnostischer Genauigkeit. PMID: 38423052 pubmed.ncbi.nlm.nih.gov/38423052
  3. nnU-Net for Brain Tumor Segmentation Isensee, Jaeger, Full, Vollmuth, Maier-Hein. arXiv, 2020. arxiv.org/abs/2011.00848
  4. Deep Learning-Based Segmentation of Ultra-Low-Dose CT Images Using an Optimized nnU-Net Model Salimi et al. Radiologia Medica, 2025. PMID: 40100539 pubmed.ncbi.nlm.nih.gov/40100539
  5. MRI-Only Based Synthetic CT Generation Using Dense Cycle Consistent Generative Adversarial Networks Lei, Harms, Wang et al. Medical Physics, 2019. PMC6692192 pmc.ncbi.nlm.nih.gov/articles/PMC6692192

KI in der Radiologie

  1. Towards Conversational Diagnostic Artificial Intelligence Tu, Schaekermann, Palepu et al. (Google DeepMind). Nature, 2025. — AMIE übertrifft Hausärzt:innen in 30 von 32 diagnostischen Kategorien. nature.com/articles/s41586-025-08866-7
  2. Workflow Applications of Artificial Intelligence in Radiology and an Overview of Available Tools Kapoor, Lacson, Khorasani. Journal of the American College of Radiology, 2020. jacr.org — S1546-1440(20)30876-0
  3. Efficiency and Quality of Generative AI–Assisted Radiograph Reporting Huang et al. JAMA Network Open, 2025. jamanetwork.com/journals/jamanetworkopen/fullarticle/2834943

KI & Produktivität

  1. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot Peng, Kalliamvakou, Cihon, Demirer. arXiv, 2023. arxiv.org/abs/2302.06590
  2. Agentic Coding Is a Trap Lars Faye, 2025. larsfaye.com/articles/agentic-coding-is-a-trap

Berichte & Statistiken

  1. LLM Leaderboard 2026 BenchLM — 228 KI-Modelle im Vergleich über 186 Benchmarks (Qualität, Kosten, Geschwindigkeit). benchlm.ai
  2. AI's Impact on Graduate Jobs: A 2025 Data Analysis Intuition Labs, 2025. — Einstiegsstellen schrumpfen durch KI-Automatisierung; UK-Tech-Rollen –46% im Jahresvergleich. intuitionlabs.ai/articles/ai-impact-graduate-jobs-2025
  3. State of Developer Ecosystem Report 2025 JetBrains, 2025. — Umfrage unter 24.534 Entwickler:innen weltweit zu KI-Adoption, Sprachen und Produktivität. devecosystem-2025.jetbrains.com
  4. AI Index Report 2026 Stanford Human-Centered AI (HAI), 2026. — Jährliche Messung des KI-Fortschritts in Forschung, Wirtschaft, Politik und Bildung. hai.stanford.edu/ai-index/2026-ai-index-report
← david-rutkevich.me