Search

AIM Depending on intensity, exercise may induce a strong hormonal and metabolic response, including acid-base imbalances and changes in microcirculation, potentially interfering with the accuracy of continuous glucose monitoring (CGM). The present study aimed at comparing the accuracy of the Dexcom G4 Platinum (DG4P) CGM during continuous moderate and intermittent high-intensity exercise (IHE) in adults with type 1 diabetes (T1DM). METHODS Ten male individuals with well-controlled T1DM (HbA1c 7.0±0.6% [54±6mmol/mol]) inserted the DG4P sensor 2 days prior to a 90min cycling session (50% VO2peak) either with (IHE) or without (CONT) a 10s all-out sprint every 10min. Venous blood samples for reference glucose measurement were drawn every 10min and euglycemia (target 7mmol/l) was maintained using an oral glucose solution. Additionally, lactate and venous blood gas variables were determined. RESULTS Mean reference blood glucose was 7.6±0.2mmol/l during IHE and 6.7±0.2mmol/l during CONT (p

The most common ocular tumors in the eye are retinoblastoma and uveal melanoma, affecting children and adults respectively, and spreading throughout the body if left untreated. To date, detection and treatment of such tumors rely mainly on two imaging modalities: Fundus Image Photography (Fundus) and Ultrasound (US), however, other image modalities such as Magnetic Resonance Imaging (MRI) and Computed Tomography (CT) are key to confirm a possible tumor spread outside the eye cavity. Current procedures to select the best treatment and follow-up are based on manual multimodal measures taken by clinicians. These tasks often require the manual annotation and delineation of eye structures and tumors, a rather tedious and time consuming endeavour, to be performed in multiple medical sequences simultaneously. ################################ This work presents a new set of image processing methods for improving multimodal evaluation of intra-ocular tumors in 3D MRI and 2D Fundus. We first introduce a novel technique for the automatic delineation of ocular structures and tumors in the 3D MRI. To this end, we present an Active Shape Model (ASM) built out of a dataset of healthy patients to demonstrate that the segmentation of ocular structures (e.g. the lens, the vitreous humor, the cornea and the sclera) can be performed in an accurate and robust manner. To validate these findings, we introduce a set of experiments to test the model performance on eyes with presence of endophytic retinoblastoma, and discover that the segmentation of healthy eye structures is possible, regardless of the presence of the tumor inside the eyes. Moreover, we propose a specific set of Eye Patient-specific eye features that can be extracted -- Le rétinoblastome et le mélanome uvéal sont les types de cancer oculaire les plus communs, touchant les enfants et adultes respectivement, et peuvent se répandre à travers l’organisme s’ils ne sont pas traités. Actuellement, le traitement pour la détection du rétinoblastome se base essentiellement à partir de deux modalites d’imagerie fond d’œil (Fundus) et l’ultrason (US). Cependant, d’autres modalités d’imagerie comme l’Imagerie par Résonance magnétique (IRM) et la Tomodensitométrie (TDM) sont clé pour confirmer la possible expansion du cancer en dehors de la cavité oculaire. Les techniques utilisées pour déterminer la tumeur oculaire, ainsi que le choix du traitement, se basent sur des mesures multimodales réalisées de manière manuelle par des médecins. Cette méthodologie manuelle est appliquée quotidiennement et continuellement pendant toute la durée de la maladie. Ce processus nécessite souvent la délinéation manuelle des structures ocularies et de la tumeur, un mécanisme laborieux et long, effectuée dans des multiples séquences médicales simultanées (par exemple : T1-weighted et T2-weighted IRM ...) qui augmentent la difficulté pour évaluer la maladie. Le présent travail présente une nouvelle série de techniques permettant d’améliorer l´évaluation multimodale de tumeurs oculaires en IRM et Fundus. Dans un premier temps, nous intro- duisons une méthode qui assure la délinéation automatique de la structure oculaire et de la tumeur dans un IRM 3D. Pour cela, nous présentons un Active Shape Model (ASM) construite à partir d’un ensemble de données de patients en bonne santé pour prouver que la segmenta- tion automatique de la structure oculaire (par exemple : le cristallin, l´humeur aqueuse, la cornée et la sclère) peut être réalisée de manière précise et robuste. Afin de valider ces résultats, nous introduisons un ensemble d’essais pour tester la performance du modèle par rapport à des yeux de patients affectés pathologiquement par un rétinoblastome, et démontrons que la segmentation de la structure oculaire d’un œil sain est possible, indépendamment de la présence d’une tumeur à l’intérieur des yeux. De plus, nous proposons une caractérisation spécifique du patient-specific eye features qui peuvent être utile pour la segmentation de l’œil dans l’IRM 3D, fournissant des formes riches et une information importante concernant le tissu pathologique noyé dans la structure oculaire de l’œil sain. Cette information est ultérieurement utilisée pour entrainer un ensemble de classificateurs (Convolutional Neural Network (CNN), Random Forest, . . . ) qui réalise la segmentation automatique de tumeurs oculaires à l’intérieur de l’œil. En outre, nous explorons une nouvelle méthode pour évaluer des multitudes de séquences d’images de manière simultanée, fournissant aux médecins un outil pour observer l’extension de la tumeur dans le fond d’œil et l’IRM. Pour cela, nous combinons la segmentation auto- matique de l’œil de l’IRM selon la description ci-dessus et nous proposons une delineation manuelle de tumeurs oculaires dans le fond d’œil. Ensuite, nous recalons ces deux modalités d’imagerie avec une nouvelle base de points de repère et nous réalisons la fusion des deux modalités. Nous utilisons cette nouvelle méthode pour (i) améliorer la qualité de la délinéation dans l’IRM et pour (ii) utiliser la projection arrière de la tumeur pour transporter de riches me- sures volumétriques de l’IRM vers le fond d’œil, en créant une nouvelle forme 3D représentant le fond d’œil 2D dans une méthode que nous appelons Topographic Fundus Mapping. Pour tous les tests et contributions, nous validons les résultats avec une base de données d’IRM et une base de données d’images pathologiques du fond d’œil de rétinoblastome.

This paper aims to compare the metabolic effects of glucose-fructose co-ingestion (GLUFRU) with glucose alone (GLU) in exercising individuals with type 1 diabetes mellitus. Fifteen male individuals with type 1 diabetes (HbA1c 7.0% ± 0.6% (53 ± 7 mmol/mol)) underwent a 90 min iso-energetic continuous cycling session at 50% VO2max while ingesting combined glucose-fructose (GLUFRU) or glucose alone (GLU) to maintain stable glycaemia without insulin adjustment. GLUFRU and GLU were labelled with (13)C-fructose and (13)C-glucose, respectively. Metabolic assessments included measurements of hormones and metabolites, substrate oxidation, and stable isotopes. Exogenous carbohydrate requirements to maintain stable glycaemia were comparable between GLUFRU and GLU (p = 0.46). Fat oxidation was significantly higher (5.2 ± 0.2 vs. 2.6 ± 1.2 mg·kg(-1)·min(-1), p < 0.001) and carbohydrate oxidation lower (18.1 ± 0.8 vs. 24.5 ± 0.8 mg·kg(-1)·min(-1)p < 0.001) in GLUFRU compared to GLU, with decreased muscle glycogen oxidation in GLUFRU (10.2 ± 0.9 vs. 17.5 ± 1.0 mg·kg(-1)·min(-1), p < 0.001). Lactate levels were higher (2.2 ± 0.2 vs. 1.8 ± 0.1 mmol/L, p = 0.012) in GLUFRU, with comparable counter-regulatory hormones between GLUFRU and GLU (p > 0.05 for all). Glucose and insulin levels, and total glucose appearance and disappearance were comparable between interventions. Glucose-fructose co-ingestion may have a beneficial impact on fuel metabolism in exercising individuals with type 1 diabetes without insulin adjustment, by increasing fat oxidation whilst sparing glycogen.

Retinoblastoma and uveal melanoma are fast spreading eye tumors usually diagnosed by using 2D Fundus Image Photography (Fundus) and 2D Ultrasound (US). Diagnosis and treatment planning of such diseases often require additional complementary imaging to confirm the tumor extend via 3D Magnetic Resonance Imaging (MRI). In this context, having automatic segmentations to estimate the size and the distribution of the pathological tissue would be advantageous towards tumor characterization. Until now, the alternative has been the manual delineation of eye structures, a rather time consuming and error-prone task, to be conducted in multiple MRI sequences simultaneously. This situation, and the lack of tools for accurate eye MRI analysis, reduces the interest in MRI beyond the qualitative evaluation of the optic nerve invasion and the confirmation of recurrent malignancies below calcified tumors. In this manuscript, we propose a new framework for the automatic segmentation of eye structures and ocular tumors in multi-sequence MRI. Our key contribution is the introduction of a pathological eye model from which Eye Patient-Specific Features (EPSF) can be computed. These features combine intensity and shape information of pathological tissue while embedded in healthy structures of the eye. We assess our work on a dataset of pathological patient eyes by computing the Dice Similarity Coefficient (DSC) of the sclera, the cornea, the vitreous humor, the lens and the tumor. In addition, we quantitatively show the superior performance of our pathological eye model as compared to the segmentation obtained by using a healthy model (over 4% DSC) and demonstrate the relevance of our EPSF, which improve the final segmentation regardless of the classifier employed.