Dyb læring til prostatasegmentering (GOPI-Segm)
Multi-zone computerstøttet prostatasegmentering på MR-billeder ved hjælp af en dyb læringsbaseret tilgang
Fordi de diagnostiske kriterier for prostatacancer er forskellige i den perifere zone og i overgangszonen, er prostatasegmentering nødvendig for ethvert computerstøttet diagnosesystem, der sigter mod at karakterisere prostatalæsioner på magnetisk resonans (MR) billeder. Manuel segmentering er tidskrævende og kan variere mellem radiologer med forskellig ekspertise. Vi udviklede og trænede en konvolutionel neural netværksalgoritme til at segmentere hele prostata, overgangszonen og det forreste fibromuskulære stroma på T2-vægtede billeder af 787 MR'er fra en eksisterende prospektiv radiologisk patologisk korrelationsdatabase indeholdende prostata MR af patienter behandlet med prostatektomi mellem 2008 og 2014 (CLARA-P database).
Formålet med denne undersøgelse er at validere denne algoritme på en uafhængig kohorte af patienter.
Studieoversigt
Status
Betingelser
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiesteder
-
-
-
Lyon, Frankrig, 69008
- Rekruttering
- Hôpital Edouard Herriot
-
Kontakt:
- Olivier ROUVIERE, Pr
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Prostata MR indeholdt i PACS af Hospices Civils de Lyon
- Opført i 2016-2019
Ekskluderingskriterier:
- MR'er fra patienter, der allerede havde behandling for prostatakræft
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kohorte
- Tidsperspektiver: Tilbagevirkende kraft
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Patienter med en MR på en 3 Tesla (T) enhed
Den samlede valideringskohorte er sammensat af aksiale T2-vægtede billeder af prostata opnået fra 31 prostata MR'er på en 3T enhed tilfældigt udvalgt blandt prostata MR'er udført på Hospices Civils de Lyon i 20162015-2019
|
Algoritmen bruges til at udføre en multizone-segmentering af prostata inklusive afgrænsning af: hele prostatakonturerne, overgangszonens konturer, det forreste fibromuskulære stroma. Konturerne korrigeres uafhængigt af 2 radiologer. De korrigerede konturer af de forskellige zoner vil blive gemt, og for hver zone vil 6 forskellige metrikker blive brugt til at evaluere forskellen mellem de indledende og korrigerede konturer:
|
|
Patienter med en MR på en 1,5 Tesla enhed
Den samlede valideringskohorte er sammensat af aksiale T2-vægtede billeder af prostata opnået fra 31 prostata MR'er på en 1,5T enhed tilfældigt udvalgt blandt prostata MR'er udført på Hospices Civils de Lyon i 20162015-2019
|
Algoritmen bruges til at udføre en multizone-segmentering af prostata inklusive afgrænsning af: hele prostatakonturerne, overgangszonens konturer, det forreste fibromuskulære stroma. Konturerne korrigeres uafhængigt af 2 radiologer. De korrigerede konturer af de forskellige zoner vil blive gemt, og for hver zone vil 6 forskellige metrikker blive brugt til at evaluere forskellen mellem de indledende og korrigerede konturer:
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Mean Mesh Distance (Mean) mellem konturerne af hele prostata lavet af algoritmen og de to radiologer
Tidsramme: Måned 11
|
Mean Mesh Distance svarer til den gennemsnitlige grænseafstand (ABD) for hvert punkt i referencesegmenteringen. Afstanden til det nærmeste punkt i den sammenlignede segmentering beregnes først. Derefter beregnes gennemsnittet af alle disse afstande og giver ABD. Den gennemsnitlige maskeafstand mellem konturerne af hele prostata lavet af algoritmen og hver radiolog vil blive brugt som primært resultatmål. |
Måned 11
|
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
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- GOPI-Segmentation_2019
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 .