PŘÍNOS POČÍTAČEM ASISTOVANÉ DETEKCE MALÝCH PLICNÍCH UZLŮ PRO KLINICKOU PRAXI

Ces Radiol 2008 ; 62(3): 264 269 PŘÍNOS POČÍTAČEM ASISTOVANÉ DETEKCE MALÝCH PLICNÍCH UZLŮ PRO KLINICKOU PRAXI FEASIBILITY OF COMPUTER-AIDED DETECTION OF SMALL PULMONARY NODULES IN CLINICAL PRACTISE původní práce Hynek Mírka Alena Bednářová Jiří Ferda Kristýna Ohlídalová Jan Baxa Radiodiagnostická klinika LF UK a FN, Plzeň Přijato: 14. 7. 2008. Korespondenční adresa: MUDr. Hynek Mírka, Ph.D. Radiodiagnostická klinika LF UK a FN, Plzeň Alej Svobody 80, 304 60 Plzeň e-mail: mirka@fnplzen.cz Práce byla podpořena výzkumným projektem MSM 0021620819. SOUHRN Mírka H, Bednářová A, Ferda J, Ohlídalová K, Baxa J. Přínos počítačem asistované detekce malých plicních uzlů pro klinickou praxi Cíl. Zhodnotit praktický přínos softwaru pro automatickou detekci malých plicních uzlů. Metoda. Dva radiologové s různou délkou praxe (R1 1,5 roku, R2 10 let) hodnotili počet uzlů a vyšetřovací časy u 14 CT vyšetření nemocných s vícečetnými plicními metastázami. V první fázi studie bylo provedeno hodnocení běžným způsobem. Ve druhé fázi byl použit systém pro automatickou detekci (CAD) plicních uzlů Syngo Lung CAD (Siemens, Forchheim, SRN). Výsledky. Při použití CAD došlo v obou případech ke zvýšení počtu detekovaných uzlů. Rozdíl v jejich celkovém počtu byl statisticky nevýznamný (R1 o 10,8 %, p = 0,077; R2 o 3,8 %, p = 0,66). U méně zkušeného radiologa (R1) byl ale zjištěn statisticky významný rozdíl v počtu uzlů velikosti do 8 mm (zvýšení počtu o 12 % ve skupině velikosti do 4 mm, p = 0,006 a o 10,7 % ve skupině o velikosti 5 8 mm, p = 0,001) a u zkušenějšího radiologa (R2) u uzlů velikosti do 4 mm (zvýšení počtu o 6,2 %, p = 0,008). V obou případech bylo zaznamenáno statisticky významné zkrácení časů potřebných pro hodnocení (u R1 o 62 %, p < 0,001; u R2 o 32 %, p < 0,001). Závěr. Systém CAD zvýšil počet detekovaných malých plicních uzlů a zkrátil čas potřebný pro hodnocení. Přínosnější byl pro radiologa s kratší praxí. Klíčová slova: plicní uzel, počítačem asistovaná diagnostika, výpočetní tomografie. SUMMARY Mírka H, Bednářová A, Ferda J, Olídalová K, Baxa J. Feasibility of computer-aided detection of small pulmonary nodules in clinical practise Aim. To evaluate the feasibility of software for computer-aided detection (CAD) of small pumonary nodules. Method. Two radiologists with different experience (R1 1.5 year, R2 10 years) assessed the number of nodules and the evaluation times in 14 CT examinations of patients with multiple pulmonary metastases. In the first instance, they performed the evaluation in an accustomed way. They performed repeated evaluation with CAD system Syngo Lung CAD (Siemens, Forchheim, FRG) after 14 days. Results. The applicaton of CAD system increased the number of detected nodules. The difference in their total number was not significant (R1 +10.8 %, p = 0.77; R2 +3.8 %, p = 0.66). But in the less experienced radiologist (R1) was found significant difference in the number of nodules with size up to 8 mm (+12 % in the group of nodules up to 4 mm, p = 0.006 and +10.7 % in the group with size 5 8 mm, p = 0.001). In the more experienced radiologist (R2) was found significant increase of the number of nodules in the group with size up to 4 mm (+6.2 %, p = 0.008). In both cases was achieved significant shortening of evaluation times (R1-62%, p < 0.001; R2-32 %, p < 0.001). Conclusion. The application of CAD software increased the number of detected lung nodules and decreased evaluation time. It looks more helpful for less experienced radiologist. Key words: pulmonary nodule, computer- -aided diagnosis, computed tomography. strana 264

ÚVOD V době explozivního nárůstu objemu dat v zobrazovacích metodách nabývají na významu systémy pro počítačem asistovanou diagnostiku (computer aided diagnosis, CAD), které umožňují ve velkém množství obrazového materiálu za použití prvků umělé inteligence detekovat vybrané patologické procesy. Systémy CAD jsou využívány v různých modalitách, nejčastěji se s nimi ale setkáváme u výpočetní tomografie. Na současné technické úrovni nejsou schopné zcela nahradit člověka. Používají se jako druhý názor, který má usnadnit, zpřesnit a urychlit diagnostický proces vykonávaný člověkem. V oblasti výpočetní tomografie jsou komerčně dostupné nástroje pro detekci a analýzu malých plicních uzlů, střevních polypů a plicních embolů (1, 2). Cílem této práce je ověření praktického přínosu systému pro automatickou detekci malých plicních uzlů. MATERIÁL A METODA Byl vybrán soubor 14 nemocných s vícečetnými malými plicními metastázami (velikosti do 20 mm) vyšetřených rutinním protokolem na multidetektorovém přístroji Somatom Sensation 64 (Siemens, Forchheim, SRN) (tab. 1). Pro detekci plicních uzlů byla použita série tenkých řezů zpracovaných pomocí algoritmu se zvýrazněním denzitních rozhraní (tab. 1). Dva radiologové s různou délkou praxe v hodnocení CT vyšetření hrudníku (R1 1,5 roku, R2 10 let) nejprve zjišťovali běžným způsobem u každého nemocného počet ložisek a čas potřebný pro zhodnocení. Hodnotitelé měli k dispozici axiální řezy o šíři 1 mm. Pomocí softwaru 3D (Siemens, Forchheim, SRN) vytvářeli dále multiplanární rekonstrukce v koronární a sagitální rovině o šíři 1 mm a maximum intensity projection (MIP) rekonstrukce ve všech třech rovinách o šíři vrstvy 10 mm. Detekovaná ložiska byla podle velikosti rozdělena do tří skupin (do 4 mm, 5 8 mm, 9 20 mm). Po 14 dnech bylo provedeno opakované hodnocení za pomoci systému pro automatickou detekci a analýzu malých plicních uzlů Syngo Lung CAD (Siemens, Forchheim, SRN). Data byla nejprve zpracována automaticky, poté byly manuálně přidány falešné negativity a vyloučeny falešné pozitivity. Počty uzlů a časy byly srovnány s předchozími výsledky. Ke statistickému zhodnocení byl použit párový t-test s 5% hladinou významnosti. VÝSLEDKY Při použití systému CAD došlo u obou hodnotících radiologů ke zvýšení počtu detekovaných uzlů. Rozdíl v jejich celkovém počtu nebyl ani u jednoho z nich statisticky významný. U mladšího radiologa (R1) došlo k nárůstu o 10,8 % (p = 0,077), u staršího radiologa (R2) o 3,8 % (p = 0,66) (tab. 2). Po rozdělení uzlů do skupin podle velikosti byl u obou hodnotících zjištěn statisticky významný rozdíl v počtu uzlů velikosti do 4 mm (R1 12 %, p = 0,006; R2 6,2 %, p = 0,008). U R1 byl rozdíl statisticky významný rovněž ve skupině uzlů velikosti 5 8 mm (R1 10,7 %, p = 0,001; R2 2,2 % p = 0,16). Počty uzlů velikosti 9 20 mm se nelišily (tab. 3). Samotný systém CAD bez korekce falešných pozitivit a negativit detekoval 152 uzlů. Průměrný čas potřebný pro samotnou automatickou Tab. 1. Vyšetřovací protokol Tab. 1. Examination protocol kv 120 mas 80 rotační perioda kolimace analýzu byl 2 minuty a 7 sekund. Časy potřebné pro korekci hodnotiteli jsou uvedeny v tabulce 2. U R1 došlo k jejich zkrácení oproti klasickému postupu hodnocení o 62 % (p < 0,0001), u R2 o 32 % (p < 0,0001) (tab. 2). Čas potřebný pro vlastní automatickou analýzu nebyl započítán, neboť v praxi nemá vliv na celkovou dobu vyšetření. Radiolog po tuto dobu obvykle provádí hodnocení v jiných aplikacích. Míra falešných pozitivit byla v průměru 1,9 na vyšetření. DISKUSE 0,33 s 2 32 0,6 mm faktor stoupání 1,4 rekonstruovaná šíře řezu překrytí řezů rekonstrukční algoritmus 1 mm 1 mm B 70f Tab. 2. Celkové počty uzlů a průměrné časy hodnocení Tab. 2. Total numbers of nodules and average reading times R1 R1 + CAD R2 R2 + CAD Celkový počet uzlů 175 194 206 214 Průměrný čas (min) 20:00 7:38 7:42 5:17 Tab. 3. Uzly podle velikosti Tab. 3. Nodules divided by their size R1 R1 + CAD R2 R2 + CAD 4 mm 81 92 92 98 5 8 mm 67 75 87 89 9 20 mm 27 27 27 27 Automatická detekce plicních uzlů je komplexní matematický proces, který je rozdělen do více kroků. Nejprve je hrudník oddělen od okolního vzduchu a poté je na základě vyhodnocení denzit provedena segmentace plicního parenchymu. V něm jsou vybráni kandidáti na uzly. Tyto struktury jsou pak podrobeny další analýze, jejímž úkolem je vyloučení falešných pozitivit (1, 2). Systémy pro automatickou detekci plicních uzlů byly vyvíjeny již pro spirální přístroje vyšetřující širšími řezy. Vycházely z dvojrozměrné analýzy obrazů a vyskytoval se u nich poměrně vysoký počet falešných pozitivit (až 2 na vrstvu) (3). Pokud by u multidetektorových systémů byla taková míra falešných pozitivit zachována, zvýšil by se jejich počet na vyšetření z maximálně několika desítek na několik stovek a software by byl v praxi nepoužitelný. Vyhodnocovací algoritmy musely proto být s nástupem multidetektorových přístrojů přepracovány. Současné systémy vycházejí z trojrozměrné analýzy dat. Četnost falešných pozitivit byla výrazně redukována. V publikacích jsou uváděny hodnoty 0,55 15 na vyšetření (3 9). Naše výsledky se pohybují při dolní hranici tohoto intervalu. Nejčastějším zdrojem falešných pozitivit jsou pleurální útvary (například adheze) a tvarové abnormality okolních struktur (například osteofyty, svalky po frakturách žeber nebo otisky strana 265

Obr. 1A Obr. 1B Obr. 1. Uživatelské rozhraní programu Syngo Lung CAD Detekovaná ložiska (vícečetné metastázy renálního karcinomu) jsou označeny červenými kroužky. Vpravo dole je trojrozměrný model ložiska označeného žlutým čtvercem s údaji o objemu, rozměrech a průměrných denzitách. Je dobře patrný vztah ložiska k cévám a pleuře. Fig. 1. User interface of Syngo Lung CAD software Detected nodules (multiple metastases of renal carcinoma) are marked with red circles. On the right side down is the three dimensional model of the lesion marked with yellow square with information about volume, diameters and average density. Relation to vessels and pleura is clearly evident. Obr. 2. Vliv šíře řezů na výkon systému CAD Při použití řezů o šíři 1 mm s překrytím o 1/4 (vlevo) bylo detekováno celkem 19 uzlů. Při použití řezů o šíři 3 mm s překrytím o 1/3 bylo u stejného pacienta detekováno 10 uzlů (vpravo). Fig. 2. Influence of slice thickness on performance of CAD system With 1 mm slice thickness and increment 0,75 mm were detected 19 nodules (on the left side). With 3 mm slice thickness and increment 2 mm were in the same patient detected 10 nodules (on the right side). strana 266

Obr. 3. Vliv rekonstrukčního algoritmu Při použití rekonstrukčního algoritmu se zvýrazněním denzitních rozhraní (B70f) bylo detekováno 19 metastáz. Při použití rekonstrukčního algoritmu s potlačením šumu (B30f) bylo u stejného pacienta detekováno 27 metastáz. V obou případech byla šíře řezu 1 mm. Fig. 3. Influence of reconstruction algorithm By using edge enhancement algorithm (B70f) were detected 19 metastases. By using smoothing algorithm (B30f) were in the same patient detected 27 metastases. In both cases was used slice thickness of 1 mm. Obr. 4. Falešná pozitivita způsobená otiskem prvního sternokostálního skloubení Fig. 4. False positivity caused by imprint of the first sterno-costal articulation strana 267

cév). U námi používaného softwaru jsme se dále v několika případech setkali s opakovaným započítáním jednoho ložiska. Zdrojem falešných negativit, které ovlivňují senzitivitu metody, jsou především uzly uložené ve větvení cév nebo v terénu intersticiálního plicního procesu (2, 8). Senzitivita současných CAD systémů se dle literárních údajů pohybuje mezi 70 a 91 %. Pro uzly větší velikosti (nad 5 mm) jsou uváděny vyšší hodnoty, v některých případech dosahující až 100 % (4 9). Přesný výpočet senzitivity je možný pouze v případě, že bylo hodnocení prováděno na modelech se známým počtem uzlů. U klinických souborů je nutno vycházet z počtu, který obvykle stanoví nejzkušenější hodnotitel. Hodnoty senzitivity tak nemohou být zcela přesné. Podobně je tomu i v naší sestavě. Pokud by jako definitivní počet uzlů byla brána hodnota 214 (dosáhl ji radiolog s delší praxí za použití systému CAD včetně manuální korekce falešných negativit a pozitivit), pak by senzitivita prezentovaného systému CAD bez manuální korekce byla 71 %. Výstup systému CAD je ovlivněn kvalitou zpracovávaných dat. Mezi faktory, které se na ní nejvíce podílejí, patří dávka, šíře a překrytí řezů a rekonstrukční interval. Se snižující se hodnotou miliampérsekund se zvyšuje míra šumu a klesá senzitivita. K jejímu významnému poklesu však dochází až při redukci proudu pod běžně používané hodnoty pro nízkodávková vyšetření (na našem pracovišti používáme rutinně 20 mas), což umožňuje využití tohoto softwaru i pro screeningové účely. Lee zjistil statisticky významný rozdíl až při hodnotě 4 mas. Zároveň prokázal, že při redukci dávky hraje významnou roli konstituce nemocného. U nemocných s body mass indexem (BMI) větším než 25 klesla při redukci proudu z 32 na 4 mas senzitivita z 59 na 15 %, u nemocných s nižším BMI se u stejných hodnot proudu snížila ze 78 na 53 % (10). Výkon CAD se zvyšuje při použití tenkých řezů, proto je vhodné používat řezy o šíři do 1 mm. Obdobný vliv na senzitivitu má míra překrytí řezů (increment) (11). Pokud je použit rekonstrukční algoritmus se zvýrazněním denzitních rozhraní, zvyšuje se množství šumu, které snižuje senzitivitu pro nejmenší ložiska. Výhodnější je tedy využití řezů rekonstruovaných algoritmem s potlačením šumu. Ty ale nejsou vhodné pro klasický způsob hodnocení. V prezentovaném souboru byly proto použity řezy rekonstruované algoritmem se zvýrazněním denzitních rozhraní. Systémy CAD je možno zapojit do diagnostického procesu dvěma způsoby. Časově výhodnější je jeho využití jako prvního hodnotitele. Obrazová data jsou v tomto případě nejprve automaticky zpracována a poté je provedeno druhé čtení radiologem, který koriguje falešné negativity a pozitivity. Druhou možností je využití CAD jako druhého hodnotitele, kdy je nález nejprve kompletně zhodnocen radiologem a automatická detekce je provedena až v rámci druhého čtení. Beyer prokázal, že druhá metoda má senzitivitu v rozmezí 69 84 %, zatímco první 62 78 % (12). Jiné práce zabývající se využitím CAD pouze ke druhému čtení prokazují vyšší senzitivitu oproti druhému čtení provedenému radiologem. Wormanns uvádí zvýšení ze 67 na 79 % (13), v Rubinově práci se zvýšila ze 63 na 76 % (14). Na našem pracovišti používáme CAD z časových důvodů častěji jako prvního hodnotitele. Stejným způsobem jsme postupovali i v druhé části naší studie. Nadstavbou systémů pro automatickou detekci plicních uzlů je automatická analýza. Ta umožňuje přesné zhodnocení rozměrů, objemu, tvaru a denzit ložiska. Software vytvoří jeho trojrozměrný model, určí přesné rozměry ve třech rovinách a denzitu. Automatická analýza se využívá především k odlišení maligních a benigních lézí. Náhodný nález malého plicního uzlu je zejména u kuřáků častý. Přitom je známo, že pouze malé procento takových ložisek je maligních (u velikosti do 10 mm je to asi 5%, u ložisek velikosti do 4 mm jen 1 2 %) (2, 14). Jejich obrazy jsou zpravidla nespecifické a jediným indikátorem malignity je nárůst objemu v čase. Manuální hodnocení změny rozměrů u takto malých ložisek je ale problematické. Smyslem automatické analýzy je minimalizovat chyby měření a přesně zhodnotit změnu objemu v čase (2, 16 18). Stanovuje se takzvaný zdvojovací čas podle vzorce DT = (t. ln 2)/ln (Vf / Vi) (DT = zdvojovací čas, t = počet dnů mezi vyšetřeními, Vi = iniciální objem, Vf = finální objem). Bylo prokázáno, že zdvojovací čas maligních uzlů se pohybuje mezi 30 400 dny. Nižší či vyšší hodnoty svědčí pro benigní charakter léze. Metodu je možno rovněž použít při sledování terapeutického efektu (19). ZÁVĚR Automatická detekce plicních uzlů nemůže zatím nahradit člověka. Vždy je nezbytná dodatečná korekce falešných pozitivit a negativit. Naše zkušenosti i literární údaje ale prokazují, že zvyšují senzitivitu multidetektorového CT vyšetření pro detekci malých plicních uzlů. Nárůst je výraznější u radiologů s kratší praxí. V našem souboru byl prokázán statisticky významný rozdíl u uzlů velikosti do 8 mm. U hodnotitele s delší praxí byl prokázán statisticky významný nárůst počtu detekovaných uzlů o velikosti do 4 mm. Dalším významným přínosem této metody je úspora času. LITERATURA 1. http://en.wikipedia.org/wiki/computer- -aided_diagnosis 2. Marten K, Engelke Ch. Computer-aided detection and automated CT volumetry of pulmonary nodules. Eur Radiol 2006; 16: 781 790. 3. Li Q. Recent Progress in Computer- -Aided Diagnosis of Lung Nodules on Thin-Section CT. Comput Med Imaging Graph 2007; 31: 248 257. 4. Bae KT, Kim JS, Na YH, Kim KG, Kim JH. Pulmonary nodules: Automated detection on CT images with morphologic matching algorithm Preliminary results. Radiology 2005; 236: 286 294. 5. Brown MS, Goldin JG, Suh RD, et al. Lung micronodules: automated method for detection at thin-section CT initial experience. Radiology 2003; 226: 256 262. 6. Ge ZY, Sahiner B, Chan H-P, et al. Computer-aided detection of lung nodules: False positive reduction using a 3D gradient field method and 3D ellipsoid fitting. Med Phys 2005; 32: 2443 2454. 7. Zhao BS, Gamsu G, Ginsburg MS, Jiang L, Schwartz LH. Automatic detection of small lung nodules on CT utilizing a local density maximum algorithm. J Applied Clin Med Phys 2003; 4: 248 260. 8. Marten K, Engelke C, Seyfarth T, Grillhosl A, Obenauer S. Computer- -aided detection of pulmonary nodules: Influence of nodule characteristics on strana 268

detection performance. Clin Radiology 2005; 60: 196 206. 9. McCulloch CC, Kaucic RA, Mendonca PRS, Walter DJ, Avila RS. Model-based detection of lung nodules in computed tomography exams. Acad Radiol 2004; 11: 258 266. 10. Lee JY, Chung MJ, Yi CA, Lee KS. Ultra-Low-Dose MDCT of the Chest: Influence on Automated Lung Nodule Detection. Korean J Radiol 2008; 9: 95 101. 11. Kim JS, Kim JH, Cho GS, Bae KT. Automated detection of pulmonary nodules on CT images: Effect of section thickness and reconstruction interval Initial results. Radiology 2005; 236; 295 299. 12. Beyer F, Zierott L, Fallenberg EM, et al. Comparison of sensitivity and reading time for the use of computer- -aided detection (CAD) of pulmonary nodules at MDCT as concurrent or second reader. Eur Radiol 2007; 17: 2941 2947. 13. Wormanns D, Beyer F, Diederich S, Ludwig K, Heindel W. Diagnostic performance of a commercially available computer- -aided diagnosis system for automatic detection of pulmonary nodules: comparison with single and double reading. Fortschr Röntgenstr 2004; 176: 953 958. 14. Neuwirth J, Polovinčák M, Kybic J, Tůma S, et al. Solitární a mnohočetné plicní uzly - analýza morfologických vlastností a průkaz jejich etiologie, pravidla sledování uzlů, jejich detekce pomocí semiautomatické analýzy CT obrazu vlastní zkušenosti a přehled literatury. Ces radiol 2006; 60: 311 320. 15. Rubin GD, Lyo JK, Paik DS, et al. Pulmonary nodules on multi-detector row CT scans: performance comparison of radiologists and computer-aided detection. Radiology 2005; 234: 274 283. 16. Revel MP, Lefort C, Bissery A, et al. Pulmonary Nodules: Preliminary Experience with Three-dimensional Evaluation. Radiology 2004; 231: 453 458. 17. Kostis WJ, Yankelevitz DF, Reeves AP, Fluture SC, Henschke CI. Small pulmonary nodules: reproducibility of three- -dimensional volumetric measurement and estimation of time to follow-up CT. Radiology 2004; 231: 446 452. 18. Wormanns D, Diederich S. Characterization of small pulmonary nodules by CT. Eur Radiol 2004; 14: 86 92. 19. Beigelman-Aubry C, Hill C, Grenier PA. Management of an incidentaly discovered pulmonary nodule. Eur Radiol 2007; 17: 449 466. recenze G. Y. El-Khoury, W. J. Montgomery, R. A. Bergman SECTIONAL ANATOMY BY MRI AND CT Philadelphia: Churchill Livingstone Elsevier 2007; 656 s., třetí vydání, 2316 obr., cena 389 Euro v ceně je on-line přístup. ISBN 978-0-443-06666-5. Anglicky psaná kniha tří autorů s dalšími spolupracovníky je i ve svém třetím vydání zajímavým dílem zabývajícím se postupně radiologickou anatomií lidského těla. Kniha je rozdělena na 6 sekcí s celkem 25 kapitolami. První dvě sekce zpracovávají končetiny, první sekce horní končetinu, druhá sekce následně dolní končetinu. Anatomické obrazy jsou pouze z magnetické rezonance (MR). Postupně je zobrazen každý kloub samostatně ve všech třech základních rovinách. Třetí sekce se zabývá páteří, samostatně hrudní a poté bederní. Obrazy jsou opět jen z MR. Čtvrtá sekce se zaměřuje na hrudník. Jako obrazy celého hrudníku jsou použity CT snímky, pro zobrazení srdce je následně samostatná kapitola s MR obrazy. Pátá a šestá sekce se zaměřuje na břicho a malou pánev s kapitolami samostatně pro muže a ženu. Vždy ve všech rovinách jsou použity obrazy z CT i MR. Obrazy jsou dostatečně kvalitní, popisky jsou vždy přímo u obrázku, není tedy nutné je dlouho hledat. Každý obraz má i svoji anatomickou ilustraci řezu pro lepší prostorovou orientaci. Publikace je zajímavým doplňkem určeným k rychlému použití. Bohužel má tato kniha i svoje slabiny. Hlavním nedostatkem je fakt, že autoři záměrně opominuli zobrazit oblast hlavy a krku včetně krční páteře, která by mohla být zvláště začínajícím lékařům hodně k užitku. Dalším záporem jinak pěkného atlasu je skutečnost, že autoři určité anatomické oblasti, končetiny či páteř zobrazují pouze na MRI. Tato skutečnost by mohla být prominuta, pokud by však kniha přímo ve svém názvu neměla zkratky modalit MRI a CT vypsána. Právě porovnání těchto dvou modalit by ještě lépe pomohlo zvýraznit rozdíly mezi nimi a následně hledat výhody každé z nich. Nemohu než konstatovat, že tato jistě zajímavě pojatá kniha či spíše radiologický anatomický atlas bohužel pro svou nekomplexnost nedozrála k tomu, aby mohla být doporučena do knihoven všech RDG pracovišť jako rychlý pomocník při malé nejasnosti během radiologického popisování. MUDr. Bc. Martin Horák strana 269