Difuzně vážené zobrazení tkání je zásadní součástí vyšetřovacích protokolů magnetické rezonance. Snížení jeho kvality na 3T přístrojích v porovnání s 1, 5T je při použití konvenčních metod náběru dat významné a vyžaduje hledání nových postupů. Technika RESOLVE (REeadout Segmentation Of Long Variable Echo-trains) představuje volbu, která zmenšuje geometrické distorze a poskytuje vyšší prostorové rozlišení obrazu, nicméně při prodloužené době vyšetření.

Diffusion-weighted tissue imaging is very important part of magnetic resonance examination protocols. There is significant decrease of its quality in 3T compared to 1,5T machines if conventional techniques of data collections are used, and new methods are needed to be applied. RESOLVE (REadout Segmentation Of Long Variable Echo-trains) technique represents an option reducing geometric distortions and providing higher spatial resolution, however, with prolonged examination duration.

• Klíčová slova
• technika RESOLVE,
• MeSH
• difuzní magnetická rezonance * metody   MeSH
• echoplanární zobrazování metody   MeSH
• lidé MeSH
• tkáně MeSH
• vylepšení obrazu metody   MeSH
• zobrazování difuzních tenzorů * metody   MeSH
• zobrazování trojrozměrné MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• přehledy MeSH

• MeSH
• automatizované zpracování dat MeSH
• diagnóza počítačová MeSH
• elektroencefalografie klasifikace   MeSH

• MeSH
• arteria lienalis anatomie a histologie   MeSH
• slezina anatomie a histologie   krevní zásobení   MeSH

• MeSH
• interpretace obrazu počítačem MeSH
• počítačové zpracování obrazu MeSH
• tomografie MeSH

• MeSH
• elektroencefalografie MeSH
• lidé MeSH
• pohyby očí MeSH
• Check Tag
• lidé MeSH

Background: Breast cancer is one of the leading cancers in woman worldwide both in developed and developing nations as per the records from World Health Organization. Many studies have shown that mammography is very effective tool for the breast cancer diagnosis. Mass segmentation plays an important step for the cancer detection. Objective: The objective of the proposed method is to segment the mass and to classify the mass with high accuracy. Methods: The segmentation includes two main steps. First, a rough initial segmentation through iterative thresholding, and second, an active contour based segmentation. The relevant statistical features are extracted and the classification is done by using Adaptive Neuro Fuzzy Inference System (ANFIS). Results: The proposed mass detection scheme achieves sensitivity of 87.5% and specificity of 100% for a set of twenty two images. The overall segmentation accuracy obtained is 91.30%. Conclusions: This work appears to be of high clinical significance since the mass detection plays an important role in diagnosis of breast cancer.

• MeSH
• dospělí MeSH
• lidé MeSH
• mamografie * metody   přístrojové vybavení   statistika a číselné údaje   MeSH
• nádory prsu * diagnóza   klasifikace   MeSH
• počítače MeSH
• senzitivita a specificita * MeSH
• statistika jako téma MeSH
• Check Tag
• dospělí MeSH
• lidé MeSH
• ženské pohlaví * MeSH

• MeSH
• mikroskopie MeSH
• ovum fyziologie   růst a vývoj   ultrastruktura   MeSH
• savci MeSH

• MeSH
• akustika řeči MeSH
• experimenty na lidech MeSH
• financování organizované MeSH
• fonace fyziologie   MeSH
• fonetika MeSH
• hlas fyziologie   MeSH
• kvalita hlasu fyziologie   MeSH
• lidé MeSH
• počítačové zpracování signálu přístrojové vybavení   MeSH
• poruchy řeči etiologie   MeSH
• statistické modely MeSH
• statistika jako téma MeSH
• vlnková analýza MeSH
• Check Tag
• lidé MeSH

Automatic detection and segmentation of biological objects in 2D and 3D image data is central for countless biomedical research questions to be answered. While many existing computational methods are used to reduce manual labeling time, there is still a huge demand for further quality improvements of automated solutions. In the natural image domain, spatial embedding-based instance segmentation methods are known to yield high-quality results, but their utility to biomedical data is largely unexplored. Here we introduce EmbedSeg, an embedding-based instance segmentation method designed to segment instances of desired objects visible in 2D or 3D biomedical image data. We apply our method to four 2D and seven 3D benchmark datasets, showing that we either match or outperform existing state-of-the-art methods. While the 2D datasets and three of the 3D datasets are well known, we have created the required training data for four new 3D datasets, which we make publicly available online. Next to performance, also usability is important for a method to be useful. Hence, EmbedSeg is fully open source (https://github.com/juglab/EmbedSeg), offering (i) tutorial notebooks to train EmbedSeg models and use them to segment object instances in new data, and (ii) a napari plugin that can also be used for training and segmentation without requiring any programming experience. We believe that this renders EmbedSeg accessible to virtually everyone who requires high-quality instance segmentations in 2D or 3D biomedical image data.

• MeSH
• algoritmy * MeSH
• lidé MeSH
• mikroskopie * metody   MeSH
• počítačové zpracování obrazu metody   MeSH
• zobrazování trojrozměrné metody   MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• časopisecké články MeSH