• MeSH
• Adult MeSH
• Humans MeSH
• Computers utilization   MeSH
• Vision, Ocular MeSH
• Check Tag
• Adult MeSH
• Humans MeSH
• Male MeSH
• Female MeSH

Pituitary adenomas (PA) represent the most common type of sellar neoplasm. Extracting relevant information from radiological images is essential for decision support in addressing various objectives related to PA. Given the critical need for an accurate assessment of the natural progression of PA, computer vision (CV) and artificial intelligence (AI) play a pivotal role in automatically extracting features from radiological images. The field of "Radiomics" involves the extraction of high-dimensional features, often referred to as "Radiomic features," from digital radiological images. This survey offers an analysis of the current state of research in PA radiomics. Our work comprises a systematic review of 34 publications focused on PA radiomics and other automated information mining pertaining to PA through the analysis of radiological data using computer vision methods. We begin with a theoretical exploration essential for understanding the theoretical background of radionmics, encompassing traditional approaches from computer vision and machine learning, as well as the latest methodologies in deep radiomics utilizing deep learning (DL). Thirty-four research works under examination are comprehensively compared and evaluated. The overall results achieved in the analyzed papers are high, e.g., the best accuracy is up to 96% and the best achieved AUC is up to 0.99, which establishes optimism for the successful use of radiomic features. Methods based on deep learning seem to be the most promising for the future. In relation to this perspective DL methods, several challenges are remarkable: It is important to create high-quality and sufficiently extensive datasets necessary for training deep neural networks. Interpretability of deep radiomics is also a big open challenge. It is necessary to develop and verify methods that will explain to us how deep radiomic features reflect various physics-explainable aspects.

• MeSH
• Adenoma * diagnostic imaging   MeSH
• Deep Learning MeSH
• Humans MeSH
• Pituitary Neoplasms * diagnostic imaging   MeSH
• Image Processing, Computer-Assisted methods   MeSH
• Radiomics MeSH
• Machine Learning MeSH
• Artificial Intelligence MeSH
• Check Tag
• Humans MeSH
• Publication type
• Journal Article MeSH
• Review MeSH
• Systematic Review MeSH

V souvislosti s dlouhodobou prací na digitálních zařízeních, která se v době epidemie stává standardem pro mnoho profesí, se objevuje celá řada zdravotních komplikací, jež souhrnně označujeme jako syndrom počítačového vidění (angl. computer vision syndrome). Nejčastějšími projevy syndromu počítačového vidění jsou oční únava, rozmazané a dvojité vidění, bolesti hlavy, krku a zad. Předpokládá se, že syndrom počítačového vidění se projevuje více především u osob s nekorigovaným latentním strabismem. V rámci výzkumného šetření ověřujeme, zda lidé s nekorigovaným latentním strabismem vykazují častější projevy syndromu počítačového vidění. Výzkumným nástrojem byl standardizovaný dotazník hodnotící syndrom počítačového vidění. Soubor 56 účastníků, z nichž 30 % (17) tvořili muži, 70 % (39) ženy, byl rozdělen na participanty se strabismem (výzkumná skupina) a bez strabismu (kontrolní skupina). Ve výzkumné skupině byla prokázána heteroforie na vzdálenost 70 cm v 54 % (30 osob), 46 % (26) participantů bylo zařazeno do ortoforické skupiny. U participantů s latentním strabismem (heteroforií) činilo výsledné skóre v dotazníku 9,4 ± 6,6 bodu. Účastníci bez heteroforie dosáhli lepšího výsledného průměrného skóre v dotazníku 7,1 ± 5,5 bodu. Osoby s heteroforií častěji uváděly zvýšenou zrakovou nepohodu při práci na blízko spojenou s bolestmi očí a problémy s jednoduchým binokulárním viděním oproti osobám bez heteroforie. Latentní strabismus má negativní vliv na výdrž účastníků při práci s počítačem a lidé s tímto typem strabismu vykazují větší subjektivní obtíže při práci s digitálními zařízeními v porovnání s kontrolní skupinou. Podmínkou zlepšení kvality práce s digitálními zařízeními je zmírnění projevů syndromu počítačového vidění, jichž lze docílit dodržováním pravidel zrakové hygieny, ergonomie pracovního místa, používáním kvalitního pracovního vybavení a rozšířením pravidelného očního vyšetření u praktického lékaře o screening latentního strabismu prostřednictvím zakrývacího testu.

Computer vision syndrome is a term for a set of symptoms that often manifest themselves during a long-term work on a digital device. According to several studies, these symptoms are more common in people with uncorrected latent strabismus. The most frequent complications include eye fatigue, blurred and double vision, headaches, and neck and back pain. The aim of this study is to point out the most common manifestations of computer vision syndrome and how to minimize or eliminate the occurrence of these manifestations. The aim of the research was also to verify whether people with horizontal heterophoria manifest symptoms of computer vision syndrome more than people without heterophoria. At first came the diagnosis of latent strabismus. Then we created a research and a control group and finally we set a questionnaire evaluating computer vision syndrome. The research included 56 participants, wherein 30 % (17) were men and 70 % (39) were women. After dividing the research sample into two groups – one with heterophoria and one with orthophoria – it was discovered that 54 % (30) of the participants had heterophoria measured at a distance of 70 cm while 46 % (26) of the participants were included in the control, orthophoric group. After the questionnaire evaluation, it was found out that for participants with heterophoria, the final score in the questionnaire was 9.4 ± 6.6 points. Participants who were heterophoric had a better average score of the questionnaire, 7.1 ± 5.5 points. In addition, participants with heterophoria were more likely to report increased visual discomfort at close range, associated with eye pain and problems with simple binocular vision compared to participants without heterophoria. It was confirmed that latent strabismus has a negative effect on the endurance of participants when working with a computer. Moreover, people with heterophoria show greater subjective difficulties when working with digital devices compared to the control group. To improve the quality of work with digital devices, it is necessary to work on alleviating the manifestations of computer vision syndrome, which can be achieved by following the rules of visual hygiene, workplace ergonomics, the use of quality work equipment and expanding regular eye examinations for a screening of the latent strabismus.

• Keywords
• syndrom počítačového vidění,
• MeSH
• Asthenopia etiology   MeSH
• Exercise MeSH
• Adult MeSH
• Ergonomics MeSH
• Humans MeSH
• Adolescent MeSH
• Young Adult MeSH
• Computer Terminals * MeSH
• Vision Disorders * etiology   physiopathology   MeSH
• Surveys and Questionnaires MeSH
• Strabismus diagnosis   pathology   MeSH
• Check Tag
• Adult MeSH
• Humans MeSH
• Adolescent MeSH
• Young Adult MeSH
• Male MeSH
• Female MeSH

Technology within the home environment is becoming widely accepted as a means to facilitate independent living. Nevertheless, practical issues of detecting different tasks between multiple persons within the same environment along with managing instances of uncertainty associated with recorded sensor data are two key challenges yet to be fully solved. This work presents details of how computer vision techniques can be used as both alternative and complementary means in the assessment of behaviour in home based sensorised environments. Within our work we assessed the ability of vision processing techniques in conjunction with sensor based data to deal with instances of multiple occupancy. Our Results indicate that the inclusion of the video data improved the overall process of task identification by detecting and recognizing multiple people in the environment using color based tracking algorithm.

• MeSH
• Algorithms MeSH
• Video Recording MeSH
• Activities of Daily Living MeSH
• Financing, Organized MeSH
• Humans MeSH
• Movement MeSH
• Self-Help Devices MeSH
• Persons with Disabilities legislation & jurisprudence   MeSH
• Reproducibility of Results MeSH
• Time and Motion Studies MeSH
• Motion Perception physiology   MeSH
• Environment MeSH
• Vision, Ocular MeSH
• Check Tag
• Humans MeSH

Úvod: Umělé neuronové sítě se stávají důležitou technologií při analýze dat a jejich vliv začíná prostupovat i do oblasti medicíny. Naše pracoviště se dlouhodobě věnuje experimentální chirurgii, na to navazuje náš zájem o pokrok v ostatních oblastech moderních technologií a tím i umělých neuronových sítí. V rámci aktuálního čísla chceme prozkoumat i tento aspekt technického pokroku. Hlavním cílem je kritické zhodnocení silných i slabých stránek technologie umělých neuronových sítí s ohledem na využití v klinické a experimentální chirurgii. Metody: V článku je věnována pozornost in-silico modelování a zejména pak možnostem neuronových sítí s ohledem na zpracování obrazových dat v medicíně. V textu je krátce shrnut historický vývoj hlubokého učení neuronových sítí a základní principy jejich fungování. Dále je představena taxonomie základních řešených úloh. Zmíněny jsou i možné problémy při učení i s možnostmi jejich řešení. Výsledky: Článek poukazuje na rozličné možnosti umělých neuronových sítí v biologických aplikacích. Na řadě biomedicínských aplikací umělých neuronových sítí popisuje rozdělení a princip základních úloh strojového učení a hlubokého učení – klasifikace, detekce a segmentace. Závěr: Aplikace metod umělých neuronových sítí mají v medicíně a chirurgii značný potenciál. Obcházejí potřebu zdlouhavého subjektivního nastavování parametrů znalostním inženýrem, neboť se učí přímo z dat. Při využití nevhodně vyváženého datasetu však může docházet k neočekávaným, avšak zpětně vysvětlitelným chybám. Řešení představuje vytvoření dostatečně bohatého datasetu pro učení a ověření funkce.

Introduction: Artificial neural networks are becoming an essential technology in data analysis, and their influence is starting to permeate the field of medicine. Experimental surgery has been a long-term subject of study of our lab; this is naturally reflected in our interest in other areas of modern technologies including artificial neural networks and their advancements. In the current issue, we would like to explore this aspect of technical progress. The main goal is to critically evaluate the strengths and weaknesses of artificial neural network technology concerning its use in clinical and experimental surgery. Methods: The article is focused on in-silico modeling, particularly on the potential of neural networks in terms of image data processing in medicine. The text briefly summarizes the historical development of deep learning neural networks and their basic principles. Furthermore, basic taxonomy tasks are presented. Finally, potential learning problems and possible solutions are also mentioned. Results: The article points out various possible uses of artificial neural networks in biological applications. Several biomedical applications of artificial neural networks are used to describe the division and principles of the most common tasks of machine learning and deep learning such as classification, detection, and segmentation. Conclusion: The application of artificial neural network methods in medicine and surgery offers a considerable potential; by learning directly from the data, they make it possible to avoid lengthy and subjective setting of parameters by an expert engineer. Nevertheless, the use of an unbalanced dataset can lead to unexpected, although traceable errors. The solution is to collect a dataset large enough to enable both learning and verification of proper functionality.

• MeSH
• Deep Learning MeSH
• Humans MeSH
• Neural Networks, Computer * MeSH
• Image Processing, Computer-Assisted MeSH
• Check Tag
• Humans MeSH
• Publication type
• Review MeSH

• MeSH
• Mathematical Computing MeSH
• Models, Theoretical MeSH
• Vision, Ocular MeSH

• Conspectus
• Ortopedie. Chirurgie. Oftalmologie
• NML Fields
• oftalmologie

• MeSH
• Optometry MeSH
• Vision Disorders MeSH

• Conspectus
• Ortopedie. Chirurgie. Oftalmologie
• NML Fields
• oftalmologie

Not medicamentousa method had developed for restoration of vision, on means of infl uence of vibration for mimic muscles of the person and biologically active points. Th e application of the devised methods and equipment led to the gain in visual acuity in the range from 1.2 to 2.1 if basic level. is considered to be 1. Devices and a technique have successfully proved at restoration of vision at shooters Belarusian National Shooting Team and students. It can be successfully used for computer user, and rehabilitation of face mimic muscles mobility aft er injuries and bruises.

• MeSH
• Acupuncture Therapy methods   instrumentation   utilization   MeSH
• Biomechanical Phenomena MeSH
• Human Experimentation MeSH
• Humans MeSH
• Facial Muscles physiology   physiopathology   MeSH
• Vision Disorders rehabilitation   therapy   MeSH
• Rehabilitation methods   instrumentation   MeSH
• Visual Acuity physiology   MeSH
• Check Tag
• Humans MeSH

• Keywords
• diagnostika, zobrazovací metody, zobrazovací diagnostika, počítačová diagnostika,

• Conspectus
• Lékařské vědy. Lékařství
• NML Fields
• diagnostika
• lékařská informatika

• MeSH
• Optics and Photonics MeSH
• Imaging, Three-Dimensional MeSH
• Publication type
• Periodical MeSH

• Conspectus
• Fyzika
• NML Fields
• fyzika, biofyzika
• radiologie, nukleární medicína a zobrazovací metody