Automatisk segmentering af polycystisk lever (ASEPOL)
Automatisk segmentering af et konvolutionelt neuralt netværk (kunstig intelligens - dyb læring) af polycystiske lever, som en model af multilæsionelle dysmorfe lever
Vurdering af leverens volumen før operation, forudsigelse af mængden af resterende lever efter operationen, påvisning af primære eller sekundære læsioner i leverparenkymet er almindelige applikationer, der kræver optimal påvisning af leverkonturer og derfor leversegmentering.
Der findes adskillige manuelle og besværlige, halvautomatiske og endda automatiske teknikker.
Alvorlig patologi, der deformerer leverens konturer (multi-metastatiske lever...), levermiljøet med samme tæthed som leveren eller læsioner, CT-undersøgelsesteknikken er alle variabler, der gør det vanskeligt at opdage konturerne. Nuværende teknikker, selv automatiske, er begrænsede i denne type tilfælde (ikke sjældne) og kræver oftest efterjusteringer, der får automatisering til at miste sin værdi.
Alle disse kriterier for segmenteringsvanskeligheder er samlet i leverne af hepatorenal polycystose, som derfor udgør en tilpasset undersøgelsesmodel til udvikling af et automatisk segmenteringsværktøj.
For at opnå en automatisk segmentering af enhver læsionel lever, ved at overskride de overvejede vanskelighedskriterier, har efterforskere udviklet et konvolutionelt neuralt netværk (kunstig intelligens - dyb læring), der er nyttigt til klinisk praksis.
Studieoversigt
Status
Intervention / Behandling
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiesteder
-
-
-
Lyon, Frankrig, 69437
- Rekruttering
- Service de radiologie - Pavillon B - Cellule Recherche imagerie, Hôpital Edouard Herriot (HCL)
-
Kontakt:
- Bénédicte CAYOT
- Telefonnummer: +33 472110400
- E-mail: benedicte.cayot@chu-lyon.fr
-
Kontakt:
- Pierre-Jean VALETTE, MD, Prof.
- Telefonnummer: +33 472117544
- E-mail: pierre-jean.valette@chu-lyon.fr
-
Ledende efterforsker:
- Pierre-Jean VALETTE, MD, Prof.
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter ≥ 18 år
- Patienter med hepato-renal polycystose, med eller uden operation
- Patienter med mindst én abdominal-bækken-CT-scanning uden injektion eller med injektion mellem 1. januar 2016 og august 2018
- Patienter med god kvalitet og tilgængelige billeder
Ekskluderingskriterier:
- Patienter uden tilgængelige CT-scanningsbilleder
- Patienter med dårlig kvalitet af CT-scanningsbilleder
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Neuronalt netværk Træningsgruppe
Følgende radiologiske variabler, relateret til hver CT-undersøgelse, vil blive indsamlet for hver patient:
|
De anonymiserede CT-undersøgelser vil blive gennemgået i Lyon, i billeddiagnostisk afdeling på Edouard Herriot Hospital, af en ekspert radiolog og en praktikant fra Lyons hospitaler.
En indledende træningsfase af kunstig intelligens-netværket vil blive gennemført: - Segmentering af leveren af en første del af CT-undersøgelsen af en praktikant fra Lyon-hospitalerne En indledende træningsfase af kunstig intelligens-netværket vil blive gennemført: - Brug af computerdata til at drive kunstig intelligens-netværket. |
|
Neuronalt netværk Valideringsgruppe
Følgende radiologiske variabler, relateret til hver CT-undersøgelse, vil blive indsamlet for hver patient:
|
De anonymiserede CT-undersøgelser vil blive gennemgået i Lyon, i billeddiagnostisk afdeling på Edouard Herriot Hospital, af en ekspert radiolog og en praktikant fra Lyons hospitaler.
En valideringsfase af værktøjet til kunstig intelligens vil blive udført med segmentering af leveren i anden del af CT-undersøgelserne: - Udført af en praktikant på Lyons hospitaler En valideringsfase af værktøjet til kunstig intelligens vil blive udført med segmentering af leveren i anden del af CT-undersøgelserne: - Udføres af det neurale netværk |
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Test af automatisk segmentering af det konvolutionelle neurale netværk på disse grupper og indsamling af datasæt
Tidsramme: 4 måneder efter randomisering
|
Udvikling af et automatisk segmenteringsværktøj til stærkt dysmorfe polycystiske lever som forudsætning for segmentering af enhver type multilæsionelle lever, der er svære at segmentere, for at lette læsionsdetektion og volumenmåling i klinisk praksis. Randomisering af patienten i to datagrupper, den ene til træning af den anden til at validere det konvolutionelle neurale netværk (kunstig intelligens)
|
4 måneder efter randomisering
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Forventet)
Studieafslutning (Forventet)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- ASEPOL
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 .