Dyb indlæringsbaseret klassificering af rygsøjle-CT (DETECT)
10. maj 2020 opdateret af: Shisheng He, MD, Shanghai 10th People's Hospital
Det er tidskrævende for rygsøjlekirurger eller radiologer at udføre manuelle klassifikationer af spinal CT, som også kan være korreleret med høj inter-observatør varians.
Med udviklingen af datalogi er deep learning dukket op som en lovende teknik til at klassificere billeder fra individuelt niveau til pixelniveau.
Hovedparten af undersøgelsen er automatisk at identificere og klassificere læsionerne eller segmentere målrettede strukturer på spinal CT med dyb læring.
Studieoversigt
Status
Ukendt
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Computertomografi (CT) er et af de vigtigste billeddiagnostiske værktøjer til at hjælpe med diagnosticering og behandling af rygsygdom.
Klassificering af specifikke mål (f.eks.
individer, læsioner osv.) er en af de mest almindelige missioner inden for medicinsk billedanalyse.
Det er dog tidskrævende for rygsøjlekirurger eller radiologer at foretage manuelle klassifikationer af spinal CT, som også kan være korreleret med høj inter-observatør varians.
Med udviklingen af datalogi er deep learning dukket op som en lovende teknik til at klassificere billeder fra individuelt niveau til pixelniveau.
Hovedparten af undersøgelsen er automatisk at identificere og klassificere læsionerne eller segmentere målrettede strukturer på spinal CT med dyb læring.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
500
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200072
- Rekruttering
- Shanghai Tenth People's Hospital
-
Kontakt:
- Guoxin Fan
- E-mail: 1610707@tongji.edu.cn
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
18 år til 65 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
patienter med tyndtlags spinal CT, der dækker målrettet niveau, vil blive inkluderet.
Beskrivelse
Inklusionskriterier:
- spinal tyndt lag CT
Ekskluderingskriterier:
- medaljer eller andre implantater fremkalder artefakter
- dårlig billedkvalitet
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
tyndt lag CT
Tyndt-lags CT vil blive manuelt mærket og brugt til at træne, validere og teste deep learning algoritme.
|
manuelt mærkede prøver vil blive brugt til at træne, validere og teste deep learning algoritme og derefter realisere automatisk klassificering.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
klassificeringsnøjagtighed
Tidsramme: 1 dag
|
klassificeringsnøjagtighed (f.eks.
område under kurven osv.)
|
1 dag
|
|
segmenteringsnøjagtighed
Tidsramme: 1 dag
|
segmenteringsnøjagtighed af flere strukturer (f.eks.
Terninger score osv.)
|
1 dag
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Shisheng He, M.D., Shanghai 10th People's Hospital
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
22. februar 2019
Primær færdiggørelse (Forventet)
1. maj 2020
Studieafslutning (Forventet)
1. maj 2020
Datoer for studieregistrering
Først indsendt
16. november 2018
Først indsendt, der opfyldte QC-kriterier
29. december 2018
Først opslået (Faktiske)
2. januar 2019
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
12. maj 2020
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
10. maj 2020
Sidst verificeret
1. maj 2020
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- SHSY180624
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
UBESLUTET
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
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 .