Deep Learning of Knee Joint MRI Intelligent Detection
8. července 2021 aktualizováno: Peking University Third Hospital
Knee joint is the most common part of sports injury.
MRI is a powerful tool to diagnose knee joint injury.
However, it takes a long time to read the film, needs a lot, and some hidden injuries have a high rate of missed diagnosis.
The emerging deep learning technology can establish automatic recognition model through large samples.
A large sample of knee joint MRI was collected retrospectively to train the deep learning model of knee joint MRI, and the sensitivity and specificity of the deep learning model were verified in multi center.
Depending on the clinical needs, the deep learning model annotation system is established.
A large number of knee MRI were obtained and labeled.
According to the knee joint MRI training depth learning model, and iterative optimization, the final version is formed.
Multi center validation was carried out.
Continuous operation records and corresponding preoperative knee MRI were obtained from multiple hospitals.
The sensitivity and specificity of the model were calculated with operation records as the gold standard.
At the same time, an expert team composed of senior radiologists and sports medicine doctors was organized to read the films.
The sensitivity and specificity of manual reading and AI reading were compared to prove the superiority of AI reading.
This study can improve the efficiency of clinical MRI film reading, reduce the workload of doctors, improve the film reading level of grass-roots hospitals, promote the development of the discipline, and has good social benefits and market prospects.
Přehled studie
Postavení
Nábor
Podmínky
Detailní popis
The knee joint is the most common sports injury site in the human body, including ligament rupture, meniscus tear, cartilage lesions, and free body formation.
Knee MRI has extremely high sensitivity and specificity in diagnosing knee diseases, especially its negative predictive value is close to 100%, and it is an effective means to assist clinicians in diagnosing knee diseases.
However, there are many MRI sequences of the knee joint, and different diseases have different imaging effects on various sequences, and the types of knee joint diseases are complicated, so it takes a long time to evaluate the knee joint MRI.
Due to the huge clinical demand for knee MRI, it has caused a great burden on radiology and sports medicine orthopedics.
At the same time, for some special injuries of the knee joint, such as hidden meniscus tear, rupture of the anterior cross part and adhesion in place after rupture, local ligament injury, etc., the conclusions given by different readers are very different, and it is easy to miss the diagnosis.
And the missed diagnosis seriously affects the prognosis of the knee joint, leading to the progression of arthritis.
In addition, professional musculoskeletal system imaging experts have a long training cycle, and a large number of orthopedic doctors and radiologists in basic hospitals have limited reading skills for knee MRI, which limits the development of local sports medicine disciplines and the development of related diagnosis and treatment.
The purpose of our research is to train the deep learning model of knee MRI through multi-center and large sample of knee MRI; Multi-center verification of the sensitivity and specificity of the knee MRI deep learning model, and compare the accuracy of the deep learning model and manual image reading.
Typ studie
Pozorovací
Zápis (Očekávaný)
50000
Kontakty a umístění
Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.
Studijní kontakt
- Jméno: Jia-Kuo Yu
- Telefonní číslo: 01082267392
- E-mail: yujiakuo@126.com
Studijní místa
-
-
Beijing
-
Beijing, Beijing, Čína, 100191
- Nábor
- Institute of Sports Medicine, Peking University Third Hospital
-
Kontakt:
- Ai-Bing Huang, PhD
- Telefonní číslo: 8615650715003
- E-mail: hab165@163.com
-
-
Kritéria účasti
Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
N/A
Pohlaví způsobilá ke studiu
Všechno
Metoda odběru vzorků
Vzorek nepravděpodobnosti
Studijní populace
All patients related to sports injuries
Popis
Inclusion Criteria:
- ACL-injured patients;
- Follow-up of patients after ACL injury;
- patients with genetic predisposition to ACL injury;
Exclusion Criteria:
- Patients with joint injury caused by clear external forces;
- Definitely have stroke, heart disease, epilepsy, cranial neurosurgery, migraine;
- Have had a concussion or head injury in the past 6 months.
Studijní plán
Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.
Jak je studie koncipována?
Detaily designu
- Observační modely: Kohorta
- Časové perspektivy: Retrospektivní
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Marking system design based on Magnetic Resonance Imaging（MRI）
Časové okno: 2021
|
According to the development goals, combined with the performance of MRI and the structure of the model algorithm, the labeling rules and logic of knee MRI are determined.
On this basis, a labeling system is designed, and different labeling tools are designed for a variety of lesions.
|
2021
|
|
Data export and annotation
Časové okno: 2021
|
Encrypt the MRI file and import it into the medical standard intelligent labeling system.
Create a dedicated tagging account for each tagger to tag.
Based on the previously marked image data, develop algorithms for segmenting different lesion areas.
|
2021
|
|
Build a deep learning model
Časové okno: 2021
|
According to the diagnostic logic, we select the coronal and sagittal images of the knee joint T2 MRI sequence for analysis.
And choose the Resnext model that has been verified by a large number of ImageNet and other large data sets to extract the features of the coronal out-of-state images.
After the multi-layer convolution operation, the key feature representation of the image is extracted.
At the same time, in the process of feature extraction, the batch normalization module is used to perform feature transformation to highlight the most meaningful part of the feature.
|
2021
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
Sponzor
Spolupracovníci
Termíny studijních záznamů
Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.
Hlavní termíny studia
Začátek studia (Aktuální)
1. ledna 2021
Primární dokončení (Očekávaný)
31. prosince 2021
Dokončení studie (Očekávaný)
15. května 2022
Termíny zápisu do studia
První předloženo
27. června 2021
První předloženo, které splnilo kritéria kontroly kvality
8. července 2021
První zveřejněno (Aktuální)
12. července 2021
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
12. července 2021
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
8. července 2021
Naposledy ověřeno
1. června 2021
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- M2020243
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Ne
Studuje produkt zařízení regulovaný americkým úřadem FDA
Ne
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .