Evaluering af en kunstig intelligens-algoritme, der reducerer støj på hurtige helkropsknogletomoscintigrafi-optagelser optaget af et 360 graders cadmium-zink-tellurid-kamera (IATOS2)
For nylig er kunstig intelligens-algoritmer, der reducerer støj ved dyb læring, blevet udviklet med anvendelse på SPECT- og PET-billeder.
Mange undersøgelser har rapporteret muligheden for at reducere registreringstiden i knoglescintigrafi ved at anvende kunstig intelligens algoritmer, der reducerer støj
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Kun to undersøgelser sammenlignede billeder, der er dæmpet af en Deep Learning-algoritme, med dem, der er dæmpet af konventionelle filtre (Gauss- og medianfiltre). Den første undersøgelse blev kun udført på patienter, uden fantomanalyse og uden hensyntagen til læsionernes størrelse. Den anden undersøgelse omfattede en analyse af fantom og patienter, men med anvendelse på plane billeder frem for SPECT-billeder, der i stigende grad bruges i dag
Hypotesen for vores undersøgelse udført på fantom og patienter er, at en kunstig intelligens-algoritme, der reducerer støj, kan erstatte de konventionelle filtre, der normalt bruges i knogle SPECT til at afsløre scintigrafiske billeder.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: VERONIQUE ROCH, MSc
- Telefonnummer: +33 0383154276
- E-mail: v.roch@chru-nancy.fr
Undersøgelse Kontakt Backup
- Navn: Achraf BAHLOUL, MD
- Telefonnummer: +33 0383153911
- E-mail: a.bahloul@chru-nancy.fr
Studiesteder
-
-
-
Vandœuvre-lès-Nancy, Frankrig, 54511
- Nuclear Medicine Department
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
Patienter, som havde en knogledimension af hele kroppen, scannede for reumatologiske eller onkologiske indikationer.
Ekskluderingskriterier:
Patienter er imod brugen af deres data
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
At sammenligne billedbehandling behandlet af intelligensens kunstige algoritme med billedbehandling behandlet med den traditionelle kunstige filteralgoritme
Tidsramme: en dag
|
Kvantificeringsværdi på billeddannelse målt med intelligens kunstig algoritme sammenlignet med kvantificeringsværdi målt med konventionelt filter
|
en dag
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Publikationer og nyttige links
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- 2024PI241
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .