Clanek se zabývá počítačovou klasifikací Alzheimerovy choroby ze 3D SPECT obrazu prokrvení lidského mozku nasnímaných scintilační kamerou a standardizovaných technikou SPM. Získaná 3D mapa rozložení radiofarmaka v mozku souvisí s metabolickou aktivitou zásobovaných neuronů. Po prahování (60% maximálni intenzity) a prostorové segmentaci byla provedena digitální morfologická analýza včetně analýzy konvexních obalů. Na množinu morfologických charakteristik byl aplikován lineární klasifikátor sledující tři cíle: jednotkovou senzitivitu, jednotkovou specificitu a minimální normu váhového vektoru tak, aby vznikl robustní rozpoznávací systém se schopností zobecňovat. Nejlepší klasifikátor obsahuje dvě morfologické charakterisriky (poloměr vepsané koule, polovina maximální vzdálenosti voxelů) aplikované na devět prostorových oblastí 3D mapy.

The paper is oriented to the computer classification of Alzheimer disease via analysis of 3D SPECT image of human brain perfusi on, which were scanned via scintillation camera and standardized by SPM technique. After the thresholding (60 % of maximum intensit y) and space segmentation, the digital morphological analysis was performed including the analysis of convex hulls. The linear cla ssifier was applied to the set of morphological characteristics with three aims: unit sensitivity, unit specificity and minimum norm of weight vector to obtain robust recognition system with generalization power. The best classifier consists of two morphological charact eristics (internal sphere radii, one half of maximum voxel distance) for nine space regions of 3D map.

• MeSH
• Alzheimerova nemoc diagnóza   patologie   MeSH
• diagnostické techniky neurologické normy   využití   MeSH
• finanční podpora výzkumu jako téma MeSH
• financování organizované MeSH
• jednofotonová emisní výpočetní tomografie metody   využití   MeSH
• klasifikace metody   MeSH
• lidé MeSH
• perfuze MeSH
• senzitivita a specificita MeSH
• technecium diagnostické užití   MeSH
• zobrazování trojrozměrné metody   trendy   využití   MeSH
• Check Tag
• lidé 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.

• Klíčová slova
• automatická segmentace,
• MeSH
• diagnóza počítačová MeSH
• glioblastom * diagnostické zobrazování   diagnóza   MeSH
• lidé MeSH
• magnetická rezonanční tomografie MeSH
• metastázy nádorů MeSH
• nádory mozku * diagnostické zobrazování   diagnóza   sekundární   MeSH
• počítačové zpracování obrazu MeSH
• strojové učení MeSH
• Check Tag
• lidé 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
• lidé MeSH
• neuronové sítě * MeSH
• počítačové zpracování obrazu MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• přehledy MeSH

This article deals with non-contact measurement of temperature in a human faces and describes program for the evaluation of temperature changes. It describes the algorithm of the program, the possibility of using and further deals with the possibilities of the segmentation of thermal images. Variety of image processing methods were used to design this algorithm including registration of images, segmentation using k-means clustering, Hough transformation, thresholding and others. The aim is to distinguish a human face from the hair and background. It also describes the possibility of detection of individual facial details. The functionality of those procedures was tested on experimental data.

• Klíčová slova
• segmentace obrazu, registrace obrazu, termokamera, bezkontaktní měření teploty,
• MeSH
• diagnostické zobrazování MeSH
• lidé MeSH
• obličej * krevní zásobení   MeSH
• software trendy   MeSH
• tělesná teplota * MeSH
• termometrie * metody   využití   MeSH
• výzkum MeSH
• Check Tag
• lidé MeSH

• MeSH
• automatizované zpracování dat MeSH
• elektroencefalografie metody   MeSH
• interpretace obrazu počítačem MeSH
• neurofyziologie metody   MeSH
• sběr dat MeSH
• spektrální analýza MeSH

• Konspekt
• Informační věda
• NLK Obory
• knihovnictví, informační věda a muzeologie
• neurovědy
• NLK Publikační typ
• učebnice vysokých škol

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
• algoritmy MeSH
• aterosklerotický plát * diagnostické zobrazování   patologie   MeSH
• deep learning MeSH
• lidé MeSH
• počítačové metodologie MeSH
• prognóza MeSH
• regresní analýza MeSH
• statistika jako téma MeSH
• ultrasonografie karotid * statistika a číselné údaje   MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• klinická studie MeSH
• práce podpořená grantem MeSH

Publikace se zaměřuje na techniky používané v laboratorní hematologii, jako k vyšetření krevního obrazu, hemostázy nebo hemokoagulace. Určeno odborné veřejnosti.

• MeSH
• hematologické testy MeSH
• hematologie MeSH
• hemokoagulace MeSH
• hemostatické techniky MeSH
• hemostáza MeSH
• Publikační typ
• monografie MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Obory
• hematologie a transfuzní lékařství
• experimentální medicína

Ve stále více stárnoucí populaci se vyskytuje více pacientů s demencí, především Alzheimerova typu (AD). Časná detekce a správná diagnostika je předpokladem adekvátní léčby. Magnetická rezonance (MR) mozku umožňuje sledovat objemové změny celého mozku nebo jeho částí. Analýza MR obrazu vyžaduje použití speciálních postupů číslicového zpracování obrazu, segmentace, volumetrie, počítačové morfologie, analýzy textur, fraktální analýzy a statistických metod. U pacientů s AD je přítomna atrofie celého mozku a především mediálních struktur temporálního laloku (MT) vč. hipokampu, entorinální kůry a amygdaly, a to již v časných fázích onemocnění. Pomocí volumetrie MT oblastí lze částečně předpovídat rozvoj AD ze stadia mírného kongitivního deficitu. Atrofie mozku a MT oblastí se urychluje s přibývajícím trváním onemocnění. Zvládnutí MR volumetrie nabude na důležitosti s příchodem nových, specifičtějších léčebných postupů k monitoraci jejich efektu.

With increasing life expectancy, the number of elderly people developing dementia, especially Alzheimer's disease (AD), is growing. The early detection and appropriate diagnostics are important for diseasemodifying therapies. Magnetic resonance imaging of the brain permits monitoring of volume changes in the whole brain or its regions. AD is characterised by atrophy of the whole brain and the medial temporal lobe (MTL), including the hippocampus, enthorinal cortex and amygdala, even in the early stages of the disease. Volumetric assessment of MTL regions predicts future conversion of subjects with mild cognitive impairment to AD. Atrophy of the brain and MTL accelerate as the disease progresses. Volumetric analysis becomes more important with the advent of new and more specific therapeutic strategies to monitor the efficacy.

• MeSH
• Alzheimerova nemoc diagnóza   MeSH
• finanční podpora výzkumu jako téma MeSH
• lidé MeSH
• longitudinální studie MeSH
• magnetická rezonanční tomografie metody   MeSH
• průřezové studie MeSH
• Check Tag
• lidé MeSH

• MeSH
• informační systémy MeSH
• informatika MeSH
• lékařská informatika MeSH
• lékařská počítačová informatika MeSH
• multimédia MeSH
• počítače MeSH
• počítačové systémy MeSH
• software MeSH
• využití lékařské informatiky MeSH

• Konspekt
• Veřejné zdraví a hygiena
• NLK Obory
• lékařská informatika
• radiologie, nukleární medicína a zobrazovací metody
• NLK Publikační typ
• učebnice vysokých škol

• Konspekt
• Lékařské vědy. Lékařství
• NLK Obory
• gastroenterologie
• radiologie, nukleární medicína a zobrazovací metody