• MeSH
• Speech Acoustics MeSH
• Dysarthria MeSH
• Human Experimentation MeSH
• Financing, Organized MeSH
• Phonation MeSH
• Humans MeSH
• Parkinson Disease complications   MeSH
• Signal Processing, Computer-Assisted instrumentation   MeSH
• Articulation Disorders MeSH
• Speech Disorders etiology   MeSH
• Models, Statistical MeSH
• Statistics as Topic MeSH
• Speech Articulation Tests methods   utilization   MeSH
• Wavelet Analysis MeSH
• Check Tag
• Humans MeSH

• Publication type
• Meeting Abstract MeSH

Cíl: Srovnat rychlost a přesnost měření automatické a manuální CT volumometrie jater, zároveň porovnat výsledky dvou různě zkušených radiologů. Metodika: Do retrospektivní studie bylo zahrnuto celkem 66 pacientů s jaterními metastázami kolorektálního karcinomu, kteří byli kandidáti chirurgické resekce části jater, ve všech případech pravostranné hepatektomie. Byla provedena analýza objemu celých jater a FLRV (předpokládaný zbytkový objem jater po resekci) pomocí automatické a manuální CT volumometrie. Měření prováděli dva lékaři radiologové, jeden atestovaný s dlouholetou zkušeností v oboru a druhý v předatestační přípravě. Srovnány byly výsledky objemů a časů měření mezi automatickou a manuální metodou a také mezi oběma uživateli. Výsledky: Bylo zjištěno statisticky významně rychlejší měření automatickou CT volumometrií oproti ruční metodě (p < 0,0001). Bez statistické významností bylo srovnání naměřených objemů celých jater a FLRV oběma způsoby volumometrie (p = 0,552). Nebyla pozorována závislost výsledků manuální i automatické analýzy na zkušenosti uživatele. Hodnoty časů i naměřených objemů od obou vyšetřujících se významně nelišily (p = 0,612, resp. p = 0,909). Závěr: Automatická CT volumometrie je optimální metodou pro měření jaterních objemů. Získané hodnoty jsou dostatečně přesné a rychlost měření je významně vyšší oproti manuální CT volumometrii.

Objectives: To compare speed and accuracy between both the automatic and manual CT liver volumetry and between two radiologist with different long of their medical practice. Methods: 66 patients with liver metastases of colorectal cancer were included to the study. The analysis of total liver volume and FLRV (future liver remnant volume) was performed using automatic and manual CT volumetry by two different experienced radiologist. Results: Statistically significantly faster procedure was observed by the automatic CT volumetry in comparison to the manual method (p < 0.0001). No statistically significantly different value of detected liver volumes were found by manual and automatic method (p = 0.552) neither the two performing radiologist (p = 0.612 from time and p = 0.909 from volumes). Conclusion: The automatic CT volumetry is optimal method for the measurement of the liver. The results are accurate and the speed of analysis is significantly higher in comparison to the manual CT volumetry.

• MeSH
• Hepatectomy * MeSH
• Liver diagnostic imaging   surgery   MeSH
• Humans MeSH
• Liver Neoplasms diagnostic imaging   MeSH
• Surgical Clearance methods   MeSH
• Retrospective Studies MeSH
• Tomography, Emission-Computed methods   MeSH
• Organ Size MeSH
• Data Visualization MeSH
• Check Tag
• Humans MeSH
• Publication type
• Research Support, Non-U.S. Gov't MeSH

Cíl: Cílem naší studie bylo odlišit glioblastom (GBM) od solitární metastázy mozku za pomoci strojových modelů vyvinutých na základě radiomických dat získaných automatickou segmentací nádoru z konvenčích MR skenů pacientů pomocí umělé inteligence. Metody: Naše studie byla prováděna na jednom pracovišti a byla retrospektivní. Do studie bylo zařazeno 35 pacientů s GBM a 25 pacientů se solitární metastázou na mozku, u nichž byla před operací provedena MR mozku s kontrastní látkou. Do programu BraTumIA byly nahrány T1 vážené obrazy, T1 vážené obrazy po podání kontrastní látky, T2 vážené obrazy a T2 vážené obrazy s využitím sekvence fluid attenuated inversion recovery (FLAIR). V programu byly léze pacienta pomocí umělé inteligence rozděleny do čtyř různých segmentů: nekróza, nesytící se solidní oblast, sytící se solidní oblast a peritumorózní edém. Z T1 obrazů po podání kontrastní látky a T2 FLAIR obrazů bylo extrahováno 856 znaků. Pro výběr znaků, optimalizaci modelu a validaci byl použit vnořený (nested) přístup. Byly modelovány umělé neuronové sítě, podpůrný vektorový stroj, náhodný les a naivní bayesovský klasifikátor. Funkce modelu byla hodnocena pomocí přesnosti, senzitivity, specificity a plochy pod křivkou (area under the curve; AUC). Výsledky: Mezi skupinami s GBM a s metastázou nebyly rozdíly ve věku a pohlaví. Nejúspěšnější výsledky byly získány pomocí algoritmu neuronové sítě – byla získána hodnota AUC 0,970. U algoritmů za použití podpůrného vektorové stroje, naivního bayesovského klasifikátoru, logistické regrese či náhodného lesu byly získány hodnoty AUC 0,959, 0,955, 0,955, respektive 0,917. Závěr: V diferenciální diagnostice GBM a solitárních metastáz mozku mohou modely umělé inteligence založené na radiomických datech pomocí automatické segmentace objektivně a s vysokou přesností odlišovat tak, že závislost na prostředku a osobě udržují na nejnižší úrovni za použití prostých konvenčních sekvencí.

Aim: Our study aimed to distinguish glioblastoma (GBM) from solitary brain metastasis with machine models developed with radiomics data obtained by artificial intelligence-based automatic tumour segmentation over conventional MRI of the patients. Methods: Our study was conducted as single-centre and retrospective. Thirty-five GBM and 25 solitary brain metastasis patients who had pre-operative contrast-enhanced brain MRI were included in the study. T1-weighted, postcontrast T1-weighted, T2-weighted and fluid attenuated inversion recovery (FLAIR) T2-weighted images of the patients were uploaded to the program named BraTumIA. With the program, the patient‘s lesions were divided into four different segments by artificial intelligence as necrosis, non-enhancing solid area, enhancing solid area and peritumorous oedema. 856 features were extracted from T1 post-contrast and T2 FLAIR images. A nested approach was used for feature selection, model optimization and validation. Artificial neural networks, support vector machine, random forest and naive bayes were modelled. Accuracy, sensitivity, specificity and area under the curve (AUC) parameters were used to evaluate the model performance. Results: There was no difference between GBM and metastasis groups in terms of age and gender. The most successful results were obtained in the neural network algorithm; 0.970 AUC was found. Other support vector machine, naive bayes, logistic regression and random forest algorithms also found 0.959, 0.955, 0.955, 0.917 AUC values, respectively. Conclusion: In the differential diagnosis of GBM and solitary brain metastasis, radiomics-based artificial intelligence models obtained by automatic segmentation can distinguish objectively and with high accuracy by keeping device and person dependency at the lowest level with only conventional sequences.

• Keywords
• automatická segmentace,
• MeSH
• Diagnosis, Computer-Assisted MeSH
• Glioblastoma * diagnostic imaging   diagnosis   MeSH
• Humans MeSH
• Magnetic Resonance Imaging MeSH
• Neoplasm Metastasis MeSH
• Brain Neoplasms * diagnostic imaging   diagnosis   secondary   MeSH
• Image Processing, Computer-Assisted MeSH
• Machine Learning MeSH
• Check Tag
• Humans MeSH

• MeSH
• Electronic Data Processing MeSH
• Electroencephalography methods   MeSH
• Image Interpretation, Computer-Assisted MeSH
• Neurophysiology methods   MeSH
• Data Collection MeSH
• Spectrum Analysis MeSH

• Conspectus
• Informační věda
• NML Fields
• knihovnictví, informační věda a muzeologie
• neurovědy
• NML Publication type
• učebnice vysokých škol

Úvod: Byla provedena křížová kalibrace tomografické citlivosti SPECT/CT kamery GE Discovery 670 vůči lokálnímu měřiči aktivity BQMetr4. Materiál a metoda: Chyba kalibračního koeficientu byla odhadnuta na 5,1 % v laboratorních podmínkách. Výsledná kalibrace byla ověřena sérií měření na fantomu Jaszczak bez vnitřních struktur a s horkými ložisky v různých geometriích a pro různé korekce. Výsledky: Nejvyšší přesnost v nesymetricky rozptylujícím a pohlcujícím prostředí vykazuje pro objekty velikosti 25 mm kombinace korekcí na rozptyl akvizicí ve dvou energetických oknech a zeslabení pomocí CT 7,2 (± 2,9stat ± 10,3sys) % pro manuální segmentaci a 7,9 (± 1,5stat ± 8,2sys) % pro segmentaci založenou na hledání maximálního průměru oblasti pevné velikosti. V případě automatické segmentace je vhodné k těmto korekcím připojit i algoritmus resolution recovery, takže celková přesnost dosáhla 0,5 (± 0,9stat ± 7,9sys) %. Závěr: Přesnost hodnot SUV je dána přesností křížové kalibrace, systematická chyba je oproti kalibraci zvýšená nepřesností měřiče aplikované aktivity a byla odhadnuta na nejvíce 7,1 % pro korekci na zeslabení a rozptyl a pro všechny uvažované metody segmentace.

Introduction: A cross-calibration of tomographic sensitivity of SPECT/CT camera GE Discovery 670 against the local dose calibrator BQMetr4 was done. Material and methods: The error of the calibration coefficient was estimated to be 5,1 % in laboratory conditions. The calibration was confirmed by a series of measurements with the Jaszczak phantom with no inside structures and with hot lesions in various geometries and for different corrections. Results: The highest precision in a non-symmetrically scattering and attenuating environment for objects of size 25 mm was achieved for the combination of scatter correction by acquisition in two energy windows and CT-based attenuation correction 7,2 (± 2,9stat ± 10,3sys) % for manual segmentation and 7,9 (± 1,5stat ± 8,2sys) % for segmentation based on searching the maximal average in a region of fixed size. For automated segmentation using thresholding it is desirable to implement the resolution recovery algorithm and the final precision reached 0,5 (± 0,9stat ± 7,9sys) %. Conclusion: The precision of SUV is determined by the precision of the cross-calibration. The systematic error of SUV is higher than the systematic error of the calibration due to imprecision of the dose calibrator and was estimated to 7,1 % at most for attenuation and scatter corrections for any segmentation method studied.

• MeSH
• Calibration MeSH
• Humans MeSH
• Reproducibility of Results MeSH
• Data Accuracy MeSH
• Tomography, Emission-Computed * standards   instrumentation   MeSH
• Check Tag
• Humans MeSH

Morfometrie založená na voxelech je plně automatická objektivní metoda zpracování stavetulárních dat z magnetické rezonance. V článku jsou shrnuty principy a hlavní výhody a nevýhody této metody oproti klasické volumetrii založené na segmentaci oblastí zájmu. Navzdory vzrůstající popularitě morfometrie založené na voxelech existuje jen několik prací vyhodnocujících kvalitu a limitaci této metody. Ve druhé části článku podáváme synopsi studie stanovující test retest reliabilitu morfometrie založené na voxelech.

Voxel based morphometry (VBM) is a fully automated objective method for processing MRI images. The paper outlines the main principles, advantages and disadvantages of this technique over classical morphometric analyses based on semimanual measurement of regions of interest. Despite the increasing popularity of VBM, there are only few papers looking at limitations and quality of this technique. In the second part of the paper we present the synopsis of our study looking at test retest reliability of VBM.

• MeSH
• Research Support as Topic MeSH
• Humans MeSH
• Magnetic Resonance Imaging methods   MeSH
• Psychiatry MeSH
• Schizophrenia diagnosis   MeSH
• Thalamus abnormalities   MeSH
• Check Tag
• Humans MeSH

Cíl: Automaticky předpovídat stabilitu aterosklerotického plátu v karotidě ze standardních transverzálních ultrazvukových obrazů v B-modu za použití hlubokého učení. Spolehlivý prediktor by snížil potřebu klinických kontrol i farmakologické či chirurgické léčby. Metody: Automaticky byla lokalizována oblast zájmu obsahující karotidu. Adversariální metoda segmentace byla natrénována na kombinaci malého kompletně anotovaného datasetu a většího slabě anotovaného datasetu. Multikriteriální regrese s automatickou adaptací vah byla použita k predikci série klinicky relevantních atributů, vč. nárůstu tloušťky plátu během 3 let. Výsledky: Současnou šíři plátu bylo možno odhadnout s vysokou korelací (ρ = 0,32) a velmi vysokou statistickou signifikancí. Odhadovaný budoucí nárůst šíře plátu byl korelován méně (ρ = 0,22), ale stále statisticky významně (p < 0,01). Korelace mezi automatickým a expertním hodnocením echogenicity, hladkosti a kalcifikací byla ještě nižší. Závěr: Potvrdili jsme závislost mezi vzhledem plátu v ultrazvukovém obraze a pravděpodobností jeho budoucího růstu, ale je příliš slabá, než aby byla využitelná v klinické praxi jako jediný prediktor stability plátu.

Aim: To automatically predict the stability of carotid artery plaque from standard B-mode transversal ultrasound images using deep learning. A reliable predictor would reduce the need for follow-up examination and pharmacological and surgical treatment. Methods: A region of interest containing the carotid artery was automatically localized. An adversarial segmentation method was trained on a combination of a small pixelwise annotated dataset and a larger weakly annotated dataset. A multicriterion regression with automatic weight adaptation was applied to predict a series of clinically relevant attributes, including the plaque width increase over 3 years. Results: The current plaque width could be estimated with a high correlation (ρ = 0.32) and a very high statistical significance. The estimated future increase of the plaque width was correlated less (ρ = 0.22) but statistically significantly (P < 0.01). The correlation between automatic and expert assessments of echogenicity, smoothness and calcification was even smaller. Conclusion: We confirmed a relationship between the plaque appearance in ultrasound and the probability of its future growth, but it is too weak to be used in clinical practice as the sole predictor of the plaque stability.

• MeSH
• Algorithms MeSH
• Plaque, Atherosclerotic * diagnostic imaging   pathology   MeSH
• Deep Learning MeSH
• Humans MeSH
• Computing Methodologies MeSH
• Prognosis MeSH
• Regression Analysis MeSH
• Statistics as Topic MeSH
• Ultrasonography, Carotid Arteries * statistics & numerical data   MeSH
• Check Tag
• Humans MeSH
• Publication type
• Clinical Study MeSH
• Research Support, Non-U.S. Gov't MeSH

Vztah plochy komprimované míchy a stupeň klinického postižení je u spondylogenní cervikální myelopatie kontraverzní. Autoři měřili příčnou plochu míchy v souboru 34 nemocných se spondylogenní cervikální myelopatií a korelovali ji se stupněm funkčního deficitu. Plocha míchy dosahovala v celém souboru v průměru 64,8 ± 7,9 mm2, což je statisticky odlišné od nálezů v normální populaci. Byla zjištěna závislost klinického stavu vyjádřeného modifikovanou škálou Japonské ortopedické asociace na velikosti transverzální plochy míchy. Tato závislost je méně těsná u lehkých funkčních deficitů a zvyšuje se s jejich nárůstem. Autoři také uvádějí novou metodu měření příčné plochy míchy z obrazů magnetické rezonance v T2 váženém modu. Snímky byly zpracovány automatickou analýzou. V prvé fázi byly naskenovány a následně realizována segmentace šedotónového snímku podle kritéria jasové tolerance. Tím byla získána hranice objektu - míchy a páteřního kanálu. Vzniklá binární bitmapa byla podrobena v prostředí MATLAB automatické analýze, při níž je uzavřená křivka rozlišena obarvením. Výsledkem analýzy je stanovení základních geometrických parametrů obrazu míchy.

The relationship between the area of the compressed spinal cord and the degree of clinical affliction in spondylogenic cervical myelopathy is controversial. The authors assessed the transverse area of the spinal cord in a group of 34 patients with spondylogenic cervical myelopathy and correlated it with the degree of functional deficiency. The area of the spinal cord was in the whole group on average 64.8 ± 7.9 mm2 which differs statistically from findings in the normal population. A relationship was found between the clinical condition expressed by a modified scale of the Japanese orthopaedic association and the size of the transverse area of the spinal cord. This relationship is less close in mild functional deficiencies and increases when in more severe, deficiencies. The authors describe also a new method of assessment of the transverse area of the spinal cord by magnetic resonance in the T2 weighted mode. The images were processed by automatic analysis. In the first stage they were scanned and subsequently segmentation of the gray images was made according to criteria of brightness tolerance. Thus the outline of the object was obtained - i.e. of the spinal cord and spinal canal. The binar bitmap which was thus obtained was subjected in a medium of MATLAB to automatic analysis where the curve differentiated by colouration is closed. The result of the analysis is assessment of the basic geometrical parameters of the image of the spinal cord.

• MeSH
• Spinal Cord Compression MeSH
• Quadriplegia MeSH
• Humans MeSH
• Spinal Cord pathology   MeSH
• Paraplegia MeSH
• Check Tag
• Humans MeSH

Selected patients with Parinson´s disease, progressive supranuclear palsy, multiple system atrophy, dystonia and age-matched controls will be examined by neurologist, neuropsychologist, and with magnetic resonance imaging (MRI). Examinations focused on motoric and cognitive deficits (attention, working memory, visuospatial dificts, executive functions) will be performed at patients and age-matched healthy controls. MR data will serve to manual and automated segmentation of the BG , cortex and white matter of the hemispheres to distinguish the beginning and dynamic of atrophic changes. MR tractography will reveal changes in the BG connections. Based on the data analysis new effective differential diagnostic procedures and methods will be implemented todetect early stages of selected diseases. THe results will also reveal anatomical and functional properties of BG.

Vybraní pacienti s Parkinsonovou nemocí, progresivní supranukleární obrnou, mnohotnou systémovou atrofií a dystonií a věkově vázané normy budou vyšetřeni neurologem, neuropsychologem a magnetickou rezonancí (MR). U pacientů i norem budou provedena vyšetření zaměřená na motorický a kognitivní deficit (pozornost, pracovní paměť, vizuospaciální deficity, exekutivní funkce). Data z MR poslouží k provedení manuální a automatické segmentace bazálních ganglií (BG), kůry a bílé hmoty hemisfér k rozpoznání počátku a dynamiky atrofických změn. MR traktografie objasní změny v zapojení BG v průběhu jednotlivých onemocnění. Na základě analýzy dat budou vypracovány efektivní diferenciálně diagnostické postupy a metody pro časná stádia vybraných onemocnění, určen vztah BG ke klinickým projevům a výsledky přispějí k objasnění anatomických a funkčních vlastností BG.

• MeSH
• Diagnostic Techniques, Neurological MeSH
• Diagnosis, Differential MeSH
• Magnetic Resonance Imaging MeSH
• Basal Ganglia Diseases diagnosis   MeSH

• Conspectus
• Patologie. Klinická medicína
• NML Fields
• neurologie
• NML Publication type
• závěrečné zprávy o řešení grantu IGA MZ ČR