Stora arealer skog behöver övervakas. Att göra detta på ett kostnadseffektivt sätt är något som skogssektorn efterfrågar. Syftet med studien var att undersöka möjligheten att skatta skogliga variabler med satellitbilder från Sentinel 2. Korrelationen mellan granskogens uppmätta reflektans i satellitbilder från Sentinel 2 och uppmätta variablerna i fält har beräknats och analyserats. Resultatet visar att styrkan i korrelation skiljer sig mellan olika rumsliga upplösningar, vilken tid på året satellitbilderna är tagna, vilka spektrala band och vegetationsindex som används samt vilka skogliga variabler som avses uppskattas. Att använda enskilda satellitbilders värden från Sentinel 2 ger inte tillräckligt tillförlitliga data för att uppskatta skogliga variabler.

1 ABSTRACT Background Breast cancer cell population characteristics are used in common clinical practice for estimation of prognosis of the malignant disease (prognostic factors) and for prediction of reactivity of the tumor to certain therapeutic modality (predictive factors). Also axillary lymph node status is an independent prognostic factor in women with early breast cancer. Therefore, surgical excision and following histopathological examination of the nodes is the obligatory part of primary breast cancer surgery. The extension of axillary surgery varies widely, although sentinel lymph node biopsy is considered to be the standard procedure. However, it must be admitted that this type of procedure need not be optimal for all the breast cancer patients. Aims of the study The aim of this study is the verify the hypothesis whether or not the axillary lymph node metastatic affection can be effectively estimated using non-surgical methods - i.e. by evaluation of the combination of prognostic and predictive factors of the primary breast tumor. Statistical model composed on the basis of data of early breast cancer patients is the basic tool for this prediction. Application of this model In everyday practice can enable to adjust the extent of axillary surgery for each individual patient. Patients and methods A...

Granbarkborre är en av Sveriges mest destruktiva skadeinsekter som angriper granskog. Insekten har medfört förödande konsekvenser för granskog, framför allt sedan2018 där stora arealer granskog nästan har eliminerats. Insekten trivs i varmt ochtorrt klimat. Växthuseffekten i form av värmeböljor och perioder av minskad nederbörd tros gynna denna skadliga insekt då de kan fortplanta sig flera gånger och erövra nya områden under en enda sommarsäsong. En vital och nödvändig åtgärd vid bekämpning av skadeinsekter är att föra bort angripna träd innan granbarkborren lämnar barken. Dock är det nästan omöjligt attundersöka all granskog på det traditionella sättet, det vill säga till fots eftersom detär mycket tids- och resurskrävande. I det tidiga skedet visar det angripna trädet ingabetydande färgförändringar i det synliga spektrumet inom fjärranalys, vilket försvårar tidig upptäckt. Men för att försöka göra detta möjligt ämnar det här arbetet undersöka skillnaderna hos friska och angripna träd i tid, där det användes band i detosynliga spektrumet som ShortWave Infrared. Detta användes bland annat i form avbandkombinationer, som Atmospheric Penetration och Agriculture. Dessutom utfördes empiriska experiment på olika vegetationsindex (VI) som var NormalizedSimple Ratio, Enhanced Vegetation Index, Green Chlorophyll Vegetation Index,Normalized Difference Vegetation Index, Normalized Difference Moisture Indexoch Normalized Distance RED and SWIR. I denna studie användes satellitbilder från Sentinel-2 över studieområdet i Mellansverige under månaderna maj-september från 2020 till juli 2022. Inrapporterade dataför angrepp av granbarkborren i studieområdet hämtades från databasarkiven GlobalBiodiversity Information Facility och Holmen AB. Skogsstyrelsens öppna karttjänstanvändes för att erhålla data över Sveriges skogsarter, för att säkerställa att studieområdet bestod av granskog. Genom att utföra empiriska experiment av de olika VI och bandkombinationer sompresenteras i denna studie kunde några indikationer utmärkas. På grund av problematiken med de olika påverkande faktorerna, som bland annat lokalt klimat i kombination med tröskelvärden, var det svårt att fastställa en fullständig bedömning. Vårslutsats visar att de använda vegetationsindex och de två bandkombinationer tillsammans med den spatiala upplösningen, som Sentinel-2 erbjuder, inte uppnår det someftersträvas i denna studie. Anledningen till detta var att möjligheten att identifieraenstaka sjuka träd i studieområdet saknades. / The spruce bark beetle is one of Sweden's most destructive pests that attack spruceforests. The insect has had devastating consequences for spruce forests, especiallysince 2018 where large areas of spruce forest have been almost eliminated. The insect thrives in warm and dry climates. The greenhouse effect in the form of heatwaves and periods of reduced rainfall is believed to favor this harmful insect as theycan reproduce several times and conquer new areas in a single summer season. A vital and necessary measure in combating pests is to remove infested trees beforethe spruce bark beetle leaves the bark. However, it is almost impossible to examineall the spruce forest in the traditional way, which is on foot, because it is time- andresource-consuming. In the early stage, the infested tree shows no significant colorchanges in the visible spectrum in remote sensing, which makes early detection difficult. To try to make this possible, this work intends to investigate the differences inhealthy and infested trees in time, where bands in the invisible spectrum such asShortWave Infrared were used. This was used, among other things, in the form ofband combinations, such as Atmospheric Penetration and Agriculture. In addition,empirical experiments were performed on different vegetation indices (VI) whichwere Normalized Simple Ratio, Enhanced Vegetation Index, Green ChlorophyllVegetation Index, Normalized Difference Vegetation Index, Normalized DifferenceMoisture Index and Normalized Distance RED and SWIR. In this study, satellite images from Sentinel-2 were used over the study area in central Sweden during the months of May-September from 2020 to July 2022. Reported data for attacks by the spruce bark beetle in the study area were retrievedfrom the Global Biodiversity Information Facility and Holmen AB database archives.The Forestry Agency's open map service was used to obtain data on Sweden's forestspecies, to ensure that the study area consisted of spruce forest. By performing empirical experiments of the different VI and band combinationspresented in this study, some indications could be distinguished. Due to the problems with the various influencing factors, such as local climate in combination withthreshold values, it was difficult to establish a complete assessment. Our conclusionshows that the used vegetation indices and the two band combinations together withthe spatial resolution offered by Sentinel-2 do not achieve what is sought in thisstudy. The reason for this was that the possibility of identifying individual diseasedtrees in the study area was missing.

Remote sensing data has great potential for wildfire detection and monitoring with enhanced spatial resolution and temporal coverage. Earth Observation satellites have been employed to systematically monitor fire activity over large regions in two ways: (i) to detect the location of actively burning spots (during the fire event), and (ii) to map the spatial extent of the burned scars (during or after the event). Active fire detection plays an important role in wildfire early warning systems. The open-access of Sentinel-2 multispectral data at 20-m resolution offers an opportunity to evaluate its complementary role to the coarse indication in the hotspots provided by MODIS-like polar-orbiting and GOES-like geostationary systems. In addition, accurate and timely mapping of burned areas is needed for damage assessment. Recent advances in deep learning (DL) provides the researcher with automatic, accurate, and bias-free large-scale mapping options for burned area mapping using uni-temporal multispectral imagery. Therefore, the objective of this thesis is to evaluate multispectral remote sensing data (in particular Sentinel-2) for wildfire detection, including active fire detection using a multi-criteria approach and burned area detection using DL models.        For active fire detection, a multi-criteria approach based on the reflectance of B4, B11, and B12 of Sentinel-2 MSI data is developed for several representative fire-prone biomes to extract unambiguous active fire pixels. The adaptive thresholds for each biome are statistically determined from 11 million Sentinel-2 observations samples acquired over summertime (June 2019 to September 2019) across 14 regions or countries. The primary criterion is derived from 3 sigma prediction interval of OLS regression of observation samples for each biome. More specific criteria based on B11 and B12 are further introduced to reduce the omission errors (OE) and commission errors (CE).        The multi-criteria approach proves to be effective in cool smoldering fire detection in study areas with tropical &amp; subtropical grasslands, savannas &amp; shrublands using the primary criterion. At the same time, additional criteria that thresholds the reflectance of B11 and B12 can effectively decrease the CE caused by extremely bright flames around the hot cores in testing sites with Mediterranean forests, woodlands &amp; scrub. The other criterion based on reflectance ratio between B12 and B11 also avoids the effects of CE caused by hot soil pixels in sites with tropical &amp; subtropical moist broadleaf forests. Overall, the validation performance over testing patches reveals that CE and OE can be kept at a low level  (0.14 and 0.04) as an acceptable trade-off. This multi-criteria algorithm is suitable for rapid active fire detection based on uni-temporal imagery without the requirement of multi-temporal data. Medium-resolution multispectral data can be used as a complementary choice to the coarse resolution images for their ability to detect small burning areas and to detect active fires more accurately.        For burned area mapping, this thesis aims to expound on the capability of deep DL models for automatically mapping burned areas from uni-temporal multispectral imagery. Various burned area detection algorithms have been developed using Sentinel-2 and/or Landsat data, but most of the studies require a pre-fire image, dense time-series data, or an empirical threshold. In this thesis, several semantic segmentation network architectures, i.e., U-Net, HRNet, Fast- SCNN, and DeepLabv3+ are applied to Sentinel-2 imagery and Landsat-8 imagery over three testing sites in two local climate zones. In addition, three popular machine learning (ML) algorithms (LightGBM, KNN, and random forests) and NBR thresholding techniques (empirical and OTSU-based) are used in the same study areas for comparison.        The validation results show that DL algorithms outperform the machine learning (ML) methods in two of the three cases with the compact burned scars,  while ML methods seem to be more suitable for mapping dispersed scar in boreal forests. Using Sentinel-2 images, U-Net and HRNet exhibit comparatively identical performance with higher kappa (around 0.9) in one heterogeneous Mediterranean fire site in Greece; Fast-SCNN performs better than others with kappa over 0.79 in one compact boreal forest fire with various burn severity in Sweden. Furthermore, directly transferring the trained models to corresponding Landsat-8 data, HRNet dominates in the three test sites among DL models and can preserve the high accuracy. The results demonstrate that DL models can make full use of contextual information and capture spatial details in multiple scales from fire-sensitive spectral bands to map burned areas. With the uni-temporal image, DL-based methods have the potential to be used for the next Earth observation satellite with onboard data processing and limited storage for previous scenes.    In the future study, DL models will be explored to detect active fire from multi-resolution remote sensing data. The existing problem of unbalanced labeled data can be resolved via advanced DL architecture, the suitable configuration on the training dataset, and improved loss function. To further explore the damage caused by wildfire, future work will focus on the burn severity assessment based on DL models through multi-class semantic segmentation. In addition, the translation between optical and SAR imagery based on Generative Adversarial Network (GAN) model could be explored to improve burned area mapping in different weather conditions. / Fjärranalysdata har stor potential för upptäckt och övervakning av skogsbränder med förbättrad rumslig upplösning och tidsmässig täckning. Jordobservationssatelliter har använts för att systematiskt övervaka brandaktivitet över stora regioner på två sätt: (i) för att upptäcka placeringen av aktivt brinnande fläckar (under brandhändelsen) och (ii) för att kartlägga den brända ärrens rumsliga omfattning ( under eller efter evenemanget). Aktiv branddetektering spelar en viktig roll i system för tidig varning för skogsbränder. Den öppna tillgången till Sentinel-2 multispektral data vid 20 m upplösning ger en möjlighet att utvärdera dess kompletterande roll i förhållande till den grova indikationen i hotspots som tillhandahålls av MODIS-liknande polaromloppsbanesystem och GOES-liknande geostationära system. Dessutom krävs en korrekt och snabb kartläggning av brända områden för skadebedömning. Senaste framstegen inom deep learning (DL) ger forskaren automatiska, exakta och förspänningsfria storskaliga kartläggningsalternativ för kartläggning av bränt område med unitemporal multispektral bild. Därför är syftet med denna avhandling att utvärdera multispektral fjärranalysdata (särskilt Sentinel- 2) för att upptäcka skogsbränder, inklusive aktiv branddetektering med hjälp av ett multikriterietillvägagångssätt och detektering av bränt område med DL-modeller. För aktiv branddetektering utvecklas en multikriteriemetod baserad på reflektionen av B4, B11 och B12 i Stentinel-2 MSI data för flera representativa brandbenägna biom för att få fram otvetydiga pixlar för aktiv brand. De adaptiva tröskelvärdena för varje biom bestäms statistiskt från 11 miljoner Sentinel-2 observationsprover som förvärvats under sommaren (juni 2019 till september 2019) i 14 regioner eller länder. Det primära kriteriet härleds från 3-sigma-prediktionsintervallet för OLS-regression av observationsprover för varje biom. Mer specifika kriterier baserade på B11 och B12 införs vidare för att minska utelämningsfel (OE) och kommissionsfel (CE). Det multikriteriella tillvägagångssättet visar sig vara effektivt när det gäller upptäckt av svala pyrande bränder i undersökningsområden med tropiska och subtropiska gräsmarker, savanner och buskmarker med hjälp av det primära kriteriet. Samtidigt kan ytterligare kriterier som tröskelvärden för reflektionen av B11 och B12 effektivt minska det fel som orsakas av extremt ljusa lågor runt de heta kärnorna i testområden med skogar, skogsmarker och buskage i Medelhavsområdet. Det andra kriteriet som bygger på förhållandet mellan B12 och B11:s reflektionsgrad undviker också effekterna av CE som orsakas av heta markpixlar i områden med tropiska och subtropiska fuktiga lövskogar. Sammantaget visar valideringsresultatet för testområden att CE och OE kan hållas på en låg nivå (0,14 och 0,04) som en godtagbar kompromiss. Algoritmen med flera kriterier lämpar sig för snabb aktiv branddetektering baserad på unika tidsmässiga bilder utan krav på tidsmässiga data. Multispektrala data med medelhög upplösning kan användas som ett kompletterande val till bilder med kursupplösning på grund av deras förmåga att upptäcka små brinnande områden och att upptäcka aktiva bränder mer exakt. När det gäller kartläggning av brända områden syftar denna avhandling till att förklara hur djupa DL-modeller kan användas för att automatiskt kartlägga brända områden från multispektrala bilder i ett tidsintervall. Olika algoritmer för upptäckt av brända områden har utvecklats med hjälp av Sentinel-2 och/eller Landsat-data, men de flesta av studierna kräver att man har en förebränning. bild före branden, täta tidsseriedata eller ett empiriskt tröskelvärde. I den här avhandlingen tillämpas flera arkitekturer för semantiska segmenteringsnätverk, dvs. U-Net, HRNet, Fast- SCNN och DeepLabv3+, på Sentinel- 2 bilder och Landsat-8 bilder över tre testplatser i två lokala klimatzoner. Dessutom används tre populära algoritmer för maskininlärning (ML) (Light- GBM, KNN och slumpmässiga skogar) och NBR-tröskelvärden (empiriska och OTSU-baserade) i samma undersökningsområden för jämförelse. Valideringsresultaten visar att DL-algoritmerna överträffar maskininlärningsmetoderna (ML) i två av de tre fallen med kompakta brända ärr, medan ML-metoderna verkar vara mer lämpliga för kartläggning av spridda ärr i boreala skogar. Med hjälp av Sentinel-2 bilder uppvisar U-Net och HRNet jämförelsevis identiska prestanda med högre kappa (omkring 0,9) i en heterogen brandplats i Medelhavet i Grekland; Fast-SCNN presterar bättre än andra med kappa över 0,79 i en kompakt boreal skogsbrand med varierande brännskadegrad i Sverige. Vid direkt överföring av de tränade modellerna till motsvarande Landsat-8-data dominerar HRNet dessutom på de tre testplatserna bland DL-modellerna och kan bevara den höga noggrannheten. Resultaten visade att DL-modeller kan utnyttja kontextuell information fullt ut och fånga rumsliga detaljer i flera skalor från brandkänsliga spektralband för att kartlägga brända områden. Med den unika tidsmässiga bilden har DL-baserade metoder potential att användas för nästa jordobservationssatellit med databehandling ombord och begränsad lagring av tidigare scener. I den framtida studien kommer DL-modeller att undersökas för att upptäcka aktiva bränder från fjärranalysdata med flera upplösningar. Det befintliga problemet med obalanserade märkta data kan lösas med hjälp av en avancerad DL-arkitektur, lämplig konfiguration av träningsdatasetet och förbättrad förlustfunktion. För att ytterligare utforska de skador som orsakas av skogsbränder kommer det framtida arbetet att fokusera på bedömningen av brännskadornas allvarlighetsgrad baserat på DL-modeller genom semantisk segmentering av flera klasser. Dessutom kan översättningen mellan optiska bilder och SAR-bilder baserad på en GAN-modell (Generative Adversarial Network) undersökas för att förbättra kartläggningen av brända områden under olika väderförhållanden. / <p>QC 20210525</p>

This thesis presented an overview of the development of a geolocating algorithm as part of a geoprocessor for raw satellite imagery. This algorithm was devised for and limited by the specifications of a state-of-the-art multispectral telescope designed by Aistech Space, hosted onboard the Guardian spacecraft, which will observe Earth through the visible, near infrared, and thermal infrared bands of the electromagnetic spectrum. The geolocation algorithm presented here is composed of the combination of two models. The first is a physical model, which makes use of spacecraft telemetry and external satellite-tracking data to approximate the geographical center of a sensed scene. Secondly, an optical model obtains a reference Landsat image based on the timestamp and approximated location of the sensed scene and utilizes image processing techniques to pinpoint a more precise geographical location of the sensed scene within acceptable limits. This performance was achieved in 77% of the cases considered. To conclude, a roadmap of the subsequent development topics and their relevance was laid out. / Detta examensarbete presenterar en översikt för utvecklingen av en geolokaliseringsalgoritm som en del av en geoprocessor för obearbetade satellitbilder. Algoritmen anpassades för och begränsades av specifikationerna för ett toppmodernt multispektralt teleskop designat av Aistech Space. Teleskopet kommer att finnas ombord på rymdfarkosten Guardian, där den är avsedd att observera jorden i de synliga, nära infraröda och termiska infraröda delarna av det elektromagnetiska spektrumet. Geolokaliseringsalgoritmen som presenteras i detta arbete är sammansatt av en kombination av två modeller. Den första är en fysisk modell, vilken använder sig av rymdfarkostens telemetri och extern satellitspårningsdata för att approximera det geografiska centrumet av en plats. Den andra är en optisk modell, vilken använder sig av en Landsat-referensbild baserad på tidsstämpeln och den ungefärliga positionen av platsen och använder sedan bildbehandlingstekniker för att fastställa en mer exakt geografisk position av platsen inom acceptabla gränser. Denna prestation lyckades uppnås i 77% av de övervägda fallen. Avslutningsvis lades en plan ut för de efterföljande utvecklingsämnena och deras relevans.

Detecting water under vegetation is critical to tracking the status of geological ecosystems like wetlands. Researchers use different methods to estimate water presence, avoiding costly on-site measurements. Optical satellite imagery allows the automatic delineation of water using the concept of the Normalised Difference Water Index (NDWI). Still, optical imagery is subject to visibility conditions and cannot detect water under the vegetation, a typical situation for wetlands. Synthetic Aperture Radar (SAR) imagery works under all visibility conditions. It can detect water under vegetation but requires deep network algorithms to segment water presence, and manual annotation work is required to train the deep models. This project uses DEEPAQUA, a cross-modal knowledge distillation method, to eliminate the manual annotation needed to extract water presence from SAR imagery with deep neural networks. In this method, a deep student model (e.g., UNET) is trained to segment water in SAR imagery. The student model uses the NDWI algorithm as the non-parametric, cross-modal teacher. The key prerequisite is that NDWI works on the optical imagery taken from the exact location and simultaneously as the SAR. Three different deep architectures are tested in this project: UNET, SegNet, and UNET++, and the Otsu method is used as the baseline. Experiments on imagery from Swedish wetlands in 2020-2022 show that cross-modal distillation consistently achieved better segmentation performances across architectures than the baseline. Additionally, the UNET family of algorithms performed better than SegNet with a confidence of 95%. The UNET++ model achieved the highest Intersection Over Union (IOU) performance. However, no statistical evidence emerged that UNET++ performs better than UNET, with a confidence of 95%. In conclusion, this project shows that cross-modal knowledge distillation works well across architectures and removes tedious and expensive manual work hours when detecting water from SAR imagery. Further research could evaluate performances on other datasets and student architectures. / Att upptäcka vatten under vegetation är avgörande för att hålla koll på statusen på geologiska ekosystem som våtmarker. Forskare använder olika metoder för att uppskatta vattennärvaro vilket undviker kostsamma mätningar på plats. Optiska satellitbilder tillåter automatisk avgränsning av vatten med hjälp av konceptet Normalised Difference Water Index (NDWI). Optiska bilder fortfarande beroende av siktförhållanden och kan inte upptäcka vatten under vegetationen, en typisk situation för våtmarker. Synthetic Aperture Radar (SAR)-bilder fungerar under alla siktförhållanden. Den kan detektera vatten under vegetation men kräver djupa nätverksalgoritmer för att segmentera vattennärvaro, och manuellt anteckningsarbete krävs för att träna de djupa modellerna. Detta projekt använder DEEPAQUA, en cross-modal kunskapsdestillationsmetod, för att eliminera det manuella annoteringsarbete som behövs för att extrahera vattennärvaro från SAR-bilder med djupa neurala nätverk. I denna metod tränas en djup studentmodell (t.ex. UNET) att segmentera vatten i SAR-bilder semantiskt. Elevmodellen använder NDWI, som fungerar på de optiska bilderna tagna från den exakta platsen och samtidigt som SAR, som den icke-parametriska, cross-modal lärarmodellen. Tre olika djupa arkitekturer testas i detta examensarbete: UNET, SegNet och UNET++, och Otsu-metoden används som baslinje. Experiment på bilder tagna på svenska våtmarker 2020-2022 visar att cross-modal destillation konsekvent uppnådde bättre segmenteringsprestanda över olika arkitekturer jämfört med baslinjen. Dessutom presterade UNET-familjen av algoritmer bättre än SegNet med en konfidens på 95%. UNET++-modellen uppnådde högsta prestanda för Intersection Over Union (IOU). Det framkom dock inga statistiska bevis för att UNET++ presterar bättre än UNET, med en konfidens på 95%. Sammanfattningsvis visar detta projekt att cross-modal kunskapsdestillation fungerar bra över olika arkitekturer och tar bort tidskrävande och kostsamma manuella arbetstimmar vid detektering av vatten från SAR-bilder. Ytterligare forskning skulle kunna utvärdera prestanda på andra datamängder och studentarkitekturer.

MODIS est une méthode fiable et précise utilisée couramment pour suivre l'évolution du couvert nival au-dessus de bassins versants alpins. Toutefois, cette méthode de télédétection possède quelques limitations importantes, tel que l'inhabilité à distinguer la neige humide de la neige sèche, qui pourrait être mieux prise en compte par l'utilisation d'une méthode de télédétection complémentaire telle que l'imagerie par radar à synthèse d'ouverture (RSO). Le site d'étude utilisé pour le projet est le bassin versant de la rivière Nechako, situé dans la chaîne Côtière de la Colombie-Britannique, qui est caractérisé par un manteau neigeux pouvant atteindre plusieurs mètres d’épaisseur en montagne. Quinze images RADARSAT-2 en mode ScanSAR Wide ont été obtenues en polarisation VV et VH entre les mois de mars et juillet 2012. Elles ont été traitées à l'aide d'un algorithme basé sur la méthode de Nagler et Rott pour distinguer la neige humide de la neige sèche, mais qui utilise un seuil graduel plutôt que le seuil de -3 dB fréquemment utilisé. Les cartes de neige humide qui découlent de cette technique correspondent mieux aux incertitudes retrouvées sur le bassin en raison de la présence importante de forêts de conifères et de régions montagneuses. Les cartes ont été combinées au produit de neige de MODIS, afin d'utiliser son habileté à détecter le couvert nival avec précision pour corriger les zones de bruit des images RSO, causées entre autres par des sols gorgés en eau. Afin d'aider l'analyse des images RSO, une modélisation fine du manteau neigeux a été effectuée avec le logiciel Crocus afin de procéder à une analyse détaillée de l’évolution des caractéristiques du manteau neigeux, notamment du contenu en eau liquide de la neige, tout au long de l’hiver. La modélisation a été effectuée à l'emplacement de trois coussins à neige sur le bassin versant et est réalisée grâce à l'utilisation de données du North American Regional Reanalysis (NARR). À partir des résultats du modèle Crocus et de l'équivalent en eau observé aux coussins à neige, une relation a été établie entre la détection de neige humide en montagne par RADARSAT-2 et le ruissellement reçu au réservoir de la rivière Nechako. Avec le jeu de données actuel, le ruissellement maximal reçu au réservoir a été prévu avec une précision de 10 jours. Il est prévu que davantage d'années d’images radar pourraient permettre de confirmer et de réduire cet intervalle.

O câncer de mama (CA de mama), com exceção do câncer de pele do tipo não melanoma, é o tumor de maior incidência dentre as mulheres, sendo que no Brasil são encontrados principalmente nas regiões Sul e Sudeste. Seu principal tratamento é o cirúrgico. A disseminação do tumor pode ocorrer por via linfática, acometendo linfonodos regionais. A biópsia do linfonodo sentinela (BLNS) é um procedimento altamente relevante, é altamente sensível na identificação de metástases. A técnica de linfocintilografia (LINCT) pré-operatória é essencial, pois permite avaliar a cadeia linfática acometida e possibilita a visualização do linfonodo sentinela (LNS) durante a cirurgia. O objetivo é descrever os padrões de drenagem linfática e avaliar a contribuição da LCINT na localização dos LNS em pacientes com CA de mama. No período de março de 2009 a agosto de 2011 foram estudados 70 casos sequenciais da rotina clínica, submetidos ao tratamento cirúrgico do CA de mama com estudo do LNS através da técnica de LCINT. Na LCINT foram aplicadas 4 injeções intradérmicas contendo 37 MBq (1,0 mCi) do FITATO-Tecnécio99m, ao redor da aréola mamária. Após a localização do LNS foi realizado marcações na pele, nas incidências anterior, oblíqua e lateral, para auxiliar o cirurgião na abordagem cirúrgica ulterior, juntamente com a sonda gama intra-operatória e corante azul patente. Dos 70 casos submetidos ao estudo, todos são do sexo feminino (100%) com faixa etária entre 28 e 77 anos, média de 54 anos. O tamanho médio do tumor encontrado nos pacientes foi de 1,4 cm. Os tipos histológicos mais incidentes foram o carcinoma ductal invasivo com 45 (64,4%) pacientes, seguido de carcinoma ductal in situ com 16 (22,8%). No exame de LCINT, todos os pacientes apresentaram drenagem linfática do radiofármaco a partir do local da injeção. Em 43 (61.5%) pacientes, observamos drenagem para 1 LNS, em 21 (30%) para 2 LNS/LNNS (linfonodo não sentinela), em 5 (7%) para 3 LNS/LNNS e em 1 (1.5%) para 4LNS/LNNS. Dos 70 pacientes, 68 (97%) apresentaram drenagem linfática ipsilateral e 2 (3%) apresentaram drenagem linfática bilateral. Em relação aos territórios de drenagem linfática dos LNS/LNNS, em 68 (97%) pacientes apresentaram drenagem para a região axilar, 1 (1,5%) para a região mamária interna e 1 (1,5%) para as regiões axilar e mamária interna. Os LNS/LNNS presentes na cadeia mamária interna não foram retirados. No intra-operatório, os cirurgiões utilizaram o corante azul patente em 35 (50%) pacientes, destes o corante identificou os LNS/LNNS em 79% dos casos. A técnica de LCINT possibilitou a visualização de todos os LNS e em alguns casos não foi possível a visualização do LNNS, o qual foi localizado e retirado com a sonda gama. Com isso, a técnica de LCINT foi eficaz em 88,5% dos casos. Dos 69 pacientes submetidos à BLNS apenas 13 (18,8%) pacientes apresentaram LNS/LNNS metastáticos, sendo estes submetidos à linfadenectomia axilar. Conclui-se que o exame pré-operatório de LCINT foi muito eficiente para o estudo da drenagem linfática, visualizando os canais linfáticos, linfonodos funcionalmente ativos e seus respectivos territórios de drenagem. Por tanto, esta técnica auxiliou o cirurgião na abordagem cirúrgica juntamente com a sonda gama intra-operatória e corante azul patente para a realização da BLNS. / With the exception of non-melanoma skin cancer, the Breast cancer (breast CA) is the most incident cancer in women. In Brazil, the breast CA is more often found in South and Southeast regions. The main treatment of breast CA is the surgery. The main pathway for the tumor spreading is the lymphatic system, which may affect the regional lymph nodes. The sentinel node biopsy (SLNB) is of considerable importance, once it has a high sensitivity in identifying metastases. The technique of preoperative lymphoscintigraphy (LINCT) is essential because it allows evaluating the lymphatic drainage chain and enables the visualization of sentinel lymph node (SLN) during surgery. We aim here to describe the lymphatic drainage patterns and to evaluate the contribution of LCINT to the location of SLN in patients with breast CA. We evaluated 70 patients sequentially selected from the clinical routine, between march 2009 and august 2011, and that underwent the surgical treatment for breast CA, including the usage of the technique of LCINT for the SLN location. The LCINT were performed by the injection of four periareolar intradermal injections containing 37 MBq (1.0 mCi) of the radiopharmaceutical PHYTATE-99m-Technetium. Based on the LCINT images, we performed skin marks in the dermal projections of the SLN in all anterior/posterior, oblique and lateral views. Additionally, the gamma probe and blue dye were used to help surgeons in the surgical location of the SLN. All of the 70 patients of our study were female, ranging from 28 to 77 years, mean 54 years. The average tumor size was 1.4 cm. The most commonly found histological types were invasive ductal carcinoma (45 patients, 64.4%), followed by the in situ ductal carcinoma (16 patients, 22.8%). All LCINT procedures were well succeeded in demonstrating at least one SLN in our sample of patients. We observed lymphatic drainage for only one SLN in 43 patients (61.5%), for 2 SLN/SLNN in 21 (30%) (non sentinel lymph node), for 3 SLN/SLNN in 5 (7%) and for 4 SLN/SLNN in one patient (1.5%). From the 70 patients, 68 (97%) exhibited ipsilateral and 2 (3%) exhibited bilateral lymphatic drainage. Concerning the lymphatic territories, 68 patients (97%) exhibited drainage to SLN/SLNN in the axillary region, 1 patient (1.5%) in the internal mammary region and another patient (1.5%) in both axillary and internal mammary regions. The two SLN/SLNN found in the internal mammary chain were not removed. Complimentary to the LCINT, the surgeons used blue dye in 35 patients (50%), which enabled them to identify the SLN/SLNN in 79% of cases. On the other hand, LCINT allowed the visualization of all SLN (100%). In some cases, in which was not possible to visualize the SLNN, these ones were found by the use of the gamma probe. Thus, the LCINT technique was effective to localize the SLN in 88.5% of cases. From the 69 patients who underwent SLN biopsy, only 13 patients (18.8%) exhibited metastatic infiltration of the SLN/ SLNN. All these patients were submitted to the axillary dissection. We conclude that the preoperative LCINT was very effective for the study of lymphatic drainage, enabling the visualization of the lymphatic channels, functionally active nodes and their drainage areas. Therefore, this technique helped surgeons in the surgical approach with intraoperative gamma probe and patent blue dye for SLNB.

Made available in DSpace on 2016-03-22T17:26:57Z (GMT). No. of bitstreams: 1 Neivo.pdf: 343535 bytes, checksum: e65c41380c8ceabe9bc780ffcc1c99f1 (MD5) Previous issue date: 2005-02-14 / Objective: The objective of this study is to describe the reproducibility of the sentinel lymph node technique in patients with prostate cancer and verify if there is improved accuracy over modified lymphadenectomy. Material and methods: Twenty-three patients with biopsy proven prostate cancer were enrolled in this study. Lymphoscintigraphy was performed after the transrectal administration of 99mTc-Sulphur Colloid guided by ultrasound, with one injection in each prostate lobe. Images were obtained 15 and 180 minutes after injection. Sentinel lymph node was harvested during surgery using a gamma probe, followed by extended lymphadenectomy. Results: The mean age of the patients in this study was 66 years old. An average of 3.36 sentinel lymph nodes was found for each patient. Radioactive lymph nodes were identified by the gamma probe in 21 out of 23 patients. In one of the patients there was no radiopharmaceutical migration from the injection site and in another the sentinel lymph node was visualized by lymphoscintigraphy but was not found during surgery. Three patients had lymph node metastasis; in one of these patients the sentinel lymph node was the only positive node and was found outside the modified lymphadenectomy region (dissection of the lymph nodes from the obturator fossa and the external iliac). Conclusion: Sentinel lymph node biopsy in prostate cancer adds important information to the staging of patients, not always attained through the lymphadenectomy restricted to the obturator fossa and external iliac. Such information is essencial for the choice of the best treatment to be applied. / n

Made available in DSpace on 2016-08-10T10:53:44Z (GMT). No. of bitstreams: 1 NELLI BROCH RAVAZIO.pdf: 2613380 bytes, checksum: d5ea1598d8562655f717ecdd4b4c8783 (MD5) Previous issue date: 2013-03-11 / The matter of worker s health has been getting a bigger attention in the field of social discussions, Public Engagement and Public Health, proving the fragility in the area of injuries and work accidents treatment. This study had as general objective identify the difficulties met in the process of effectuation of Rede Sentinela de Notificação de Acidentes e Agravos em Saúde dos Trabalhadores (Sentinel Network for Notification of Accidents and Injuries in the Workers Health), from the view of the managers and workers at SUSRegional de Saúde de Rondonópolis-MT (Health Public System-Regional Health Center of Rondonopolis-MT), in the period 2009-2011. It s a descriptive-explanatory study, which used the documental research and questionnaire to interview managers and workers from SUS (Public Health System), who answered closed and semi -open questions, according to quantitative analysis. The results indicated the following statement: the notifications of injuries and work accidents in SINAN Sistema de Informação de Agravos e Notificações (SINAN=System of information and notification of injuries) are not in conformity with the records of MPS/DATAPREV, CAT, SUB; there is a high level of sub-notification of data in SINAN; there is a lack of training for workers/SUS; there aren t especifically designated professionals to work with the workers health and the Sanitary Code of Municipalities from Health Regional of Rondonópolis doesn t address aspects concerning the workers health. There fore, it can be concluded that the managers don t have the real knowledge of the cases concerning the work accidents, and because of that, they don t realize the importance of actions to reduce problems of sub-notifications of the care provided at Rede Sentinela (Sentinel Network). It was also concluded that even though the workers have received care, they are not registered, situation which suggests a better effectiveness in the notifications. / A preocupação com a saúde do trabalhador vem ganhando maior notoriedade no campo das discussões sociais, do Poder Público e na Saúde Pública, comprovando a fragilidade do tratamento aos agravos e acidentes de trabalho. Este estudo teve como objetivo geral identificar as dificuldades da efetivação da Rede Sentinela de Notificação de Acidentes e Agravos em saúde dos trabalhadores a partir da visão dos/as gestores/as e trabalhadores/as/SUS da Regional de Saúde de Rondonópolis-MT, 2009- 2011. Tratou-se de um estudo descritivo-explicativo por meio de pesquisa documental e questionário junto aos gestores e trabalhadores/SUS que responderam as questões fechadas e semi-abertas, com análise quantitativa. Os resultados possibilitaram as seguintes assertivas: as notificações de agravos e acidentes de trabalho no SINAN Sistema de Informação de Agravos e Notificações não estão em conformidade com os registros do MPS/DATAPREV, CAT, SUB; existe alto índice de subnotificação nos dados do SINAN; falta treinamento para os trabalhadores/SUS; não existem profissionais designados especificamente para atuar na saúde do trabalhador e o Código Sanitário dos Municípios da Regional de Saúde de Rondonópolis não aborda aspectos da saúde do trabalhador. Neste sentido, concluiu-se que os gestores não possuem conhecimento real sobre os casos de acidentes de trabalho, por isso, não percebem a importância de ações para reduzir os problemas de subnotificações dos atendimentos realizados na Rede Sentinela. Concluiuse ainda que os trabalhadores são atendidos, porém não notificados, sugerindo-se maior efetividade nas notificações.