Pilotundersøgelse om dyb læring i øjet (IDLE)
5. januar 2021 opdateret af: Pieter Nelis, CRG UZ Brussel
Validering af en Transfer Learning Deep Learning-algoritme til billedklassificering i flere patologier
Deep learning giver dig mulighed for at klassificere billeder ved hjælp af en selvlærende algoritme.
Overførselslæring bygger på en eksisterende selvlærende algoritme for at muliggøre billedklassificering med færre billeder.
I denne undersøgelse vil denne teknik blive anvendt på forskellige billedmodaliteter i forskellige syndromer.
Retrospektivt studiedesign.
Studieoversigt
Status
Ukendt
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Forventet)
120
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Pieter Nelis
- Telefonnummer: +32494354198
- E-mail: nelispieter@gmail.com
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 100 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ja
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Sunde og ikke-sunde personer: Udtræk data fra tilgængelige billeder
Beskrivelse
Inklusionskriterier:
- Tilgængelighed af billeder, som tillader diskrimination.
Ekskluderingskriterier:
- Ingen tilgængelighed af klare data om sygdomsdifferentiering
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 |
|---|---|
|
Ingen patologi
|
|
|
Patologi
|
Billedklassificering ved hjælp af deep learning-algoritme
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Validering af billedklassificering ved transferlæringsalgoritme
Tidsramme: 1 år
|
1 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
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 (Forventet)
1. februar 2021
Primær færdiggørelse (Forventet)
1. december 2021
Studieafslutning (Forventet)
1. december 2022
Datoer for studieregistrering
Først indsendt
7. december 2020
Først indsendt, der opfyldte QC-kriterier
7. december 2020
Først opslået (Faktiske)
11. december 2020
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
7. januar 2021
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
5. januar 2021
Sidst verificeret
1. januar 2021
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- IDLE1000
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
produkt fremstillet i og eksporteret fra U.S.A.
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 .
Kliniske forsøg med Diabetisk retinopati
-
Assiut UniversityUkendtom Vitreomacular Interface Abnormalities in Diabetic Retinopathy