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

Předpokládá se, že gastrointestinální stromální tumory (GIST) vznikají z Cajalových intersticiálních buněk nebo jejich prekurzorů a jsou definovány expresí c-kit proteinu (CD117), která je pozitivní v 95% případů. Jedná se o vzácné mezenchymální nádory, které však jsou nejčastějšími mezenchymálními nádory zažívacího traktu. Většinou se vyvíjejí v žaludku a tenkém střevě, vzácněji pak v rektu, tlustém střevě, jícnu a mezenteriu, přičemž pouze 3-5 % všech GIST postihuje duodenum. Mezi příznaky patří časné nasycení, dysfagie, nadýmání, bolest břicha a krvácení do zažívacího traktu, buď akutní, nebo chronické. Hlavním terapeutickým postupem u lokalizovaného, nemetastazujícího a resekovatelného GIST zůstává chirurgické řešení. Popisujeme případ pacienta s gastrointestinálním stromálním tumorem třetího oddílu duodena, který se projevoval akutním krvácením do horního zažívacího traktu a byl léčen klínovitou resekcí duodena.

Gastrointestinal stromal tumours (GISTs) are considered to derive from the interstitial cells of Cajal or their precursors and are defined by their expression of c-kit protein (CD117) that is positive in 95% percent of cases. These are rare mesenchymatous tumours, while they represent the most common mesenchymal tumours of the alimentary tract. The majority of GISTs develop in the stomach and small intestine and more rarely in the rectum, colon, esophagus and mesentery; only 3–5% of all GISTs are located in the duodenum. The presenting symptoms include early satiation, dysphagia, bloating, abdominal pain and gastrointestinal bleeding, either acute or chronic. Surgery remains the mainstay of treatment for localized, non-metastatic, resectable GISTs. We present a case of duodenal gastrointestinal stromal tumour of the third portion of the duodenum that presented with acute upper gastrointestinal bleeding treated with segmental duodenal resection.

• Klíčová slova
• GIST,
• MeSH
• angiografie metody   využití   MeSH
• biologické markery MeSH
• chirurgie trávicího traktu metody   využití   MeSH
• diabetes mellitus farmakoterapie   MeSH
• duodenum MeSH
• gastrointestinální krvácení diagnóza   etiologie   komplikace   MeSH
• gastrointestinální stromální tumory diagnóza   chirurgie   komplikace   MeSH
• histologické techniky využití   MeSH
• hypertenze farmakoterapie   MeSH
• intersticiální Cajalovy buňky patologie   MeSH
• klinický obraz nemoci MeSH
• komorbidita MeSH
• krvácení MeSH
• laparotomie metody   využití   MeSH
• lidé MeSH
• nádory duodena diagnóza   etiologie   komplikace   MeSH
• piperaziny terapeutické užití   MeSH
• počítačová rentgenová tomografie metody   využití   MeSH
• pyrimidiny terapeutické užití   MeSH
• senioři MeSH
• Check Tag
• lidé MeSH
• mužské pohlaví MeSH
• senioři MeSH
• Publikační typ
• kazuistiky MeSH

BACKGROUND: Segmentation of pre-operative low-grade gliomas (LGGs) from magnetic resonance imaging is a crucial step for studying imaging biomarkers. However, segmentation of LGGs is particularly challenging because they rarely enhance after gadolinium administration. Like other gliomas, they have irregular tumor shape, heterogeneous composition, ill-defined tumor boundaries, and limited number of image types. To overcome these challenges we propose a semi-automated segmentation method that relies only on T2-weighted (T2W) and optionally post-contrast T1-weighted (T1W) images. METHODS: First, the user draws a region-of-interest (ROI) that completely encloses the tumor and some normal tissue. Second, a normal brain atlas and post-contrast T1W images are registered to T2W images. Third, the posterior probability of each pixel/voxel belonging to normal and abnormal tissues is calculated based on information derived from the atlas and ROI. Finally, geodesic active contours use the probability map of the tumor to shrink the ROI until optimal tumor boundaries are found. This method was validated against the true segmentation (TS) of 30 LGG patients for both 2D (1 slice) and 3D. The TS was obtained from manual segmentations of three experts using the Simultaneous Truth and Performance Level Estimation (STAPLE) software. Dice and Jaccard indices and other descriptive statistics were computed for the proposed method, as well as the experts' segmentation versus the TS. We also tested the method with the BraTS datasets, which supply expert segmentations. RESULTS AND DISCUSSION: For 2D segmentation vs. TS, the mean Dice index was 0.90 ± 0.06 (standard deviation), sensitivity was 0.92, and specificity was 0.99. For 3D segmentation vs. TS, the mean Dice index was 0.89 ± 0.06, sensitivity was 0.91, and specificity was 0.99. The automated results are comparable with the experts' manual segmentation results. CONCLUSIONS: We present an accurate, robust, efficient, and reproducible segmentation method for pre-operative LGGs.

• MeSH
• algoritmy MeSH
• gliom patologie   chirurgie   MeSH
• lidé MeSH
• magnetická rezonanční tomografie * metody   MeSH
• nádory mozku patologie   chirurgie   MeSH
• počítačové zpracování obrazu * MeSH
• senzitivita a specificita MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• časopisecké články MeSH
• práce podpořená grantem MeSH
• Research Support, N.I.H., Extramural MeSH

AIM: This paper describes the digital implementation of a mathematical transform namely 2D Fast Discrete Curvelet Transform (FDCT) via UnequiSpaced Fast Fourier Transform (USFFT) in combination with the novel segmentation method for effective detection of breast cancer. METHODS: USFFT performs exact reconstructions with high image clarity. Radon, ridgelet and Cartesian filters are included in this method. Mean Square Error (MSE) and Peak Signal to Noise Ratio (PSNR) were calculated for the image and the resulting value showed that the proposed method performs well on mammogram image in reducing noise with good extraction of edges. This work includes a novel segmentation method, which combines Modified Local Range Modification (MLRM) and Laplacian of Gaussian (LoG) edge detection method to segment the textured features in the mammogram image. RESULTS: The result was analyzed using a Receiver Operating Characteristics (ROC) plot and the detection accuracy found was 99% which is good compared to existing methods.

• MeSH
• lidé MeSH
• mamografie metody   MeSH
• nádory prsu diagnostické zobrazování   MeSH
• reprodukovatelnost výsledků MeSH
• ROC křivka MeSH
• teoretické modely * MeSH
• vylepšení rentgenového snímku * MeSH
• Check Tag
• lidé MeSH
• ženské pohlaví MeSH
• Publikační typ
• časopisecké články MeSH

Angiosarkom je raritní nádor prsu. Může se jednat o primární tumor, bez jednoznačného rizikového faktoru, ale i o sekundární, který je spojován s předchozí radioterapií. Projevuje se nejčastěji jako erytém či různě zbarvený nodulární tumor. V tomto příspěvku bychom chtěli představit 70letou pacientku, u které se objevil sekundární angiosarkom poté, co absolvovala prs zachovávající výkon s radioterapií pro karcinom prsu. Tato kazuistika má upozornit na tuto vzácnou diagnózu, na kterou je třeba myslet u pacientek s rudou či lividní lézí po aktinoterapii.

Angiosarcoma is a rare soft tissue tumor of the breast. It occurs in both a primary form without a known precursor, and a secondary form that has been associated to a history of irradiated breast tissue. It can present as a palpable mass or subtle erythematous lesion. We present a case of an 70-year-old woman who developed secondary angiosarcoma after undergoing breast-conserving therapy for stage I breast cancer. This case demonstrates the importance of vigilance regarding erythematous or livid breast lesions in the setting of prior local radiation.

• MeSH
• hemangiosarkom chirurgie   patologie   sekundární   MeSH
• karcinom prsu in situ chirurgie   patologie   sekundární   MeSH
• konformní radioterapie metody   škodlivé účinky   MeSH
• lidé MeSH
• nádory prsu * chirurgie   patologie   radioterapie   MeSH
• radikální mastektomie metody   MeSH
• segmentální mastektomie MeSH
• senioři MeSH
• výsledek terapie MeSH
• Check Tag
• lidé MeSH
• senioři MeSH
• ženské pohlaví MeSH
• Publikační typ
• kazuistiky MeSH

Computer Tomography (CT) is an imaging procedure that combines many X-ray measurements taken from different angles. The segmentation of areas in the CT images provides a valuable aid to physicians and radiologists in order to better provide a patient diagnose. The CT scans of a body torso usually include different neighboring internal body organs. Deep learning has become the state-of-the-art in medical image segmentation. For such techniques, in order to perform a successful segmentation, it is of great importance that the network learns to focus on the organ of interest and surrounding structures and also that the network can detect target regions of different sizes. In this paper, we propose the extension of a popular deep learning methodology, Convolutional Neural Networks (CNN), by including deep supervision and attention gates. Our experimental evaluation shows that the inclusion of attention and deep supervision results in consistent improvement of the tumor prediction accuracy across the different datasets and training sizes while adding minimal computational overhead.

• Publikační typ
• časopisecké články MeSH

Cíl: Cílem této práce je ukázat technické možnosti volumetrického hodnocení objemu rezidua a zhodnotit vliv přesně definovaného objemu reziduálního nádoru na celkové přežívání (overall survival; OS) u pacientů s glioblastomem (GBM). Soubor a metodika: Retrospektivně byli vybráni dospělí pacienti, kteří podstoupili resekční výkon GBM ve FN Olomouc mezi roky 2012 a 2016. Pacienti byli podrobeni pravidelným klinickým a MR kontrolám každé 3 měsíce. Do studie byly zahrnuty časné pooperační snímky MR. U každého pacienta bylo provedeno segmentování nádorového procesu s následným vytvořením 3D modelu objemu nádoru, což umožnilo výpočet jeho objemu před i po operaci. Výsledky: Výsledky retrospektivní analýzy zahrnovaly 50 pacientů. Naše práce ukázala signifikantní prodloužení OS pouze u skupiny bez postkontrastně se sytícího rezidua (medián OS = 16,1 vs. 6,3 měsíce). Pacienti s kombinací radikální resekce a onkoterapie v Stuppově režimu dosáhli dalšího prodloužení OS s průměrem 19,6 měsíce a mediánem 14 měsíců. Závěr: Naše práce popisuje postup výpočtu objemu pooperačního rezidua GBM s využitím snadno dostupného softwaru. Na základě zjištění této studie bylo dosaženo signifikantně lepších léčebných výsledků u pacientů s úplným odstraněním postkontrastně se sytící části GBM doplněným o co nejradikálnější resekci postkontrastně se nesytící části nádoru.

Aim: The aim of this study is to demonstrate the technical feasibility of volumetric assessment of residual tumor volume and to evaluate the effect of a precisely defined residual tumor volume on overall survival (OS) in patients with glioblastoma (GBM). Materials and methods: Adult patients who underwent surgical resection for GBM in the University Hospital Olomouc from 2012 to 2016 were selected retrospectively. Patients attended regular clinical and MRI follow-up every three months. Early postoperative MRI scans were used in the study. In each patient, tumor segmentation was performed followed by creating a 3D model of tumor volume, which allowed the calculation of its volume both before and after surgery. Results: Results of 50 patients were available for a retrospective analysis. Our study showed a significant prolongation of OS only in the group with no contrast-enhancing residue (median OS = 16.1 vs. 6.3 months) Patients with a combination of radical resection and oncological treatment with the Stupp protocol achieved further prolongation of OS with a mean of 19.6 months and a median of 14 months. Conclusion: Our paper describes the process of calculating the volume of the postoperative residual component of GBM using easily available software. According to the study findings, significantly better therapy results were achieved in patients with complete removal of the contrast-enhancing GBM component, supplemented by the most possible radical resection of the contrast non-enhancing components of the tumor.

• Klíčová slova
• pooperační reziduum,
• MeSH
• analýza přežití MeSH
• gliosarkom * MeSH
• lidé MeSH
• pooperační období MeSH
• retrospektivní studie MeSH
• reziduální nádor * MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• práce podpořená grantem 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

BACKGROUND: This study develops a deep learning-based automated lesion segmentation model for whole-body 3D18F-fluorodeoxyglucose (FDG)-Position emission tomography (PET) with computed tomography (CT) images agnostic to disease location and site. METHOD: A publicly available lesion-annotated dataset of 1014 whole-body FDG-PET/CT images was used to train, validate, and test (70:10:20) eight configurations with 3D U-Net as the backbone architecture. The best-performing model on the test set was further evaluated on 3 different unseen cohorts consisting of osteosarcoma or neuroblastoma (OS cohort) (n = 13), pediatric solid tumors (ST cohort) (n = 14), and adult Pheochromocytoma/Paraganglioma (PHEO cohort) (n = 40). Both lesion-level and patient-level statistical analyses were conducted to validate the performance of the model on different cohorts. RESULTS: The best performing 3D full resolution nnUNet model achieved a lesion-level sensitivity and DISC of 71.70 % and 0.40 for the test set, 97.83 % and 0.73 for ST, 40.15 % and 0.36 for OS, and 78.37 % and 0.50 for the PHEO cohort. For the test set and PHEO cohort, the model has missed small volume and lower uptake lesions (p < 0.01), whereas no statistically significant differences (p > 0.05) were found in the false positive (FP) and false negative lesions volume and uptake for the OS and ST cohort. The predicted total lesion glycolysis is slightly higher than the ground truth because of FP calls, which experts can easily check and reject. CONCLUSION: The developed deep learning-based automated lesion segmentation AI model which utilizes 3D_FullRes configuration of the nnUNet framework showed promising and reliable performance for the whole-body FDG-PET/CT images.

• MeSH
• celotělové zobrazování * metody   MeSH
• deep learning * MeSH
• dítě MeSH
• dospělí MeSH
• fluorodeoxyglukosa F18 * MeSH
• kohortové studie MeSH
• lidé středního věku MeSH
• lidé MeSH
• mladiství MeSH
• nádory * diagnostické zobrazování   MeSH
• PET/CT * metody   MeSH
• počítačové zpracování obrazu * metody   MeSH
• Check Tag
• dítě MeSH
• dospělí MeSH
• lidé středního věku MeSH
• lidé MeSH
• mladiství MeSH
• mužské pohlaví MeSH
• ženské pohlaví MeSH
• Publikační typ
• časopisecké články MeSH
• validační studie MeSH

Prezentován je případ třicetipětileté ženy s neustávající bolestí v rameni, u které byl zjištěn agresívně rostoucí tumor proximálního humeru. Nádor způsobil rozsáhlou cystickou osteolýzu metaepifýzy s destrukcí kortikalis, avšak bez známek šíření do přilehlých měkkých tkání. Po předčasně ukončené neoadjuvantní chemoterapii s nulovým efektem následovala resekce 13 cm kosti s aplikací modulární endoprotézy. Mikroskopicky se jednalo o jasně maligní nádor s vysokou reaktivní účastí osteoklastů a hojnou produkcí extracelulární chondroidní matrix, připomínající nezvyklým organoidním strukturálním uspořádáním chondroblastom. Naprosto převládaly velké atypické, solidně mozaikovité uspořádané, převážně dvoujaderné elementy s objemnou eozinofilní cytoplazmou. Jadernou pleomorfii zvýrazňovalo rýhování a přítomnost atypických mitotických figur. Extenzívní zpracování vzorku odhalilo ostře kontrastující miniaturní oblasti s duální kompozicí malých uniformních stromálních elementů a reaktivních osteoklastů, které budily dojem původní prekurzorové obrovskobuněčné léze. Nádorové elementy (vyjma osteoklastické příměsi)vykazovaly difúzní silnou pozitivitu s protilátkami SOX9 a D2-40; kompletně negativní byly p63, S100 protein, SATB2 a desmin. Podstatu nádorové proliferace odhalila až prokázaná mutace c.103G>T v exonu 2 genu H3F3A vedoucí k popisnému označení maligní obrovskobuněčný kostní tumor napodobující chondroblastom. Na pozadí mikroskopické variability, histogeneze a složité diferenciální diagnostiky (maligních) obrovskobuněčných kostních lézí jsou diskutovány např. agresívní/maligní chondroblastom, chondroblastoma-like osteosarkom či giant cell-rich osteosarkom a přínos specifické mutační analýzy v běžné praxi.

35-year-old woman suffered prolonged pain in the left shoulder, where an aggressively growing tumor of the proximal humerus was revealed thereafter. The lesion caused massive osteolysis of the metaepiphysis with cortical disruption, but no soft tissue extension was evident. Given the unsatisfactory effect, the ongoing neoadjuvant chemotherapy was prematurely ceased and the resection 13 cm long segment of bone with modular prosthesis replacement followed. Histologically, clear-cut malignant tumor with both the presence of numerous reactive osteoclast-like giant cells and geographic structural deposition of chondroid matrix bore a close resemblance to chondroblastoma. Dominant cellular composition formed solid mosaic clusters of large, atypical, frequently binucleated cells with voluminous eosinophilic cytoplasm. Impressive nuclear pleomorphism was accentuated by both the grooving and atypical mitotic figures. Thorough sampling disclosed limited, but sharply contrasting parts, where biphasic arrangement of small uniform stromal elements together with regularly distributed, reactive osteoclasts suggested putative precursor giant cell lesion. Except the osteoclasts, all matrical and stromal cells were strongly SOX9 and D2-40 positive; in contrary desmin, SATB2, S100 and p63 yielded completely negative results. Detected H3F3A c.103G>T mutation in exon 2 finally established true nature of that peculiar neoplastic proliferation and lead to descriptive term of primary chondroblastoma-like malignant giant cell tumor. In the setting of all the microscopic variability, histogenesis and complex differential diagnosis of skeletal (malignant) giant cell lesions, there are discussed e.g. aggressive/malignant chondroblastoma, chondroblastoma-like osteosarcoma or giant cell-rich osteosarcoma and practical impact of specific mutational analysis results as well.

• MeSH
• artroplastiky kloubů MeSH
• chondroblastom diagnóza   MeSH
• diferenciální diagnóza MeSH
• dospělí MeSH
• humerus * anatomie a histologie   chirurgie   patologie   MeSH
• imunohistochemie MeSH
• lidé MeSH
• mutační analýza DNA MeSH
• obrovskobuněčný nádor kosti * diagnóza   chirurgie   terapie   MeSH
• protokoly protinádorové léčby MeSH
• výsledek terapie MeSH
• Check Tag
• dospělí MeSH
• lidé MeSH
• ženské pohlaví MeSH
• Publikační typ
• kazuistiky MeSH