Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

En ny teknik til behandling af nethindesygdomme

18. januar 2021 opdateret af: Second Affiliated Hospital, School of Medicine, Zhejiang University

Forskning i intelligent diagnose og automatisk læsionssporing til præcis behandling af nethindesygdomme baseret på dyb læring

Med fremkomsten af ​​æraen af ​​præcision medicin, baseret på FFA billede dyb læring til at identificere området af fundus læsioner, registrering af fundus billeder, i henhold til sværhedsgraden af ​​fundus sygdomme til at designe den optimale laser energi og vej, den nøjagtige behandling af fundus sygdomme har akutte kliniske behov og meget vigtig betydning

Studieoversigt

Status

Rekruttering

Betingelser

Detaljeret beskrivelse

  1. Struktureret DR Billeddatabase Opbygning og præcis annotering: retrospektiv (fra 1. januar 2016 til dagen for etisk gennemgang) og prospektiv (fra dagen for etisk gennemgang til 31. december 2023) indsamlet FFA og andre multimodale billeddata. Adskillige øjenlæger og senioreksperter i fundussygdomme foretog en diagnostisk evaluering af hvert billede af hver patient og fuldførte den nøjagtige graderingsdiagnose af dataene. Endelig blev der trin for trin etableret en struktureret Dr-database. Dette papir bruger teorien om computersyn til at kvantificere kvalitetsforvrængning af FFA-billede, guider computeren til at konfigurere de eksisterende billedforbedrings- og støjreduktionsalgoritmer adaptivt og fuldender forbehandlingen af ​​fundus-billeddata.
  2. Konstruktion af Dr. intelligent graderingsdiagnosesystem baseret på fundusbillede: For det første bruges fundusbilledet som fundusdata-træningsdatabasen, og i henhold til den internationale kliniske Dr graderingsdiagnosestandard markerer mange læger fundusbilledet nøjagtigt. Internationale kliniske Dr graderingskriterier: grad 0, ingen åbenlyse retinale abnormiteter; grad 1, kun mikroangiom; grad 2, mere alvorlig end mikroangiom, men mindre alvorlig end alvorlig; grad 3, fire kvadranter, hver kvadrant har mere end 20 nethindeblødninger, mere end to kvadranter har bestemte venøse perler, mere end én kvadrant har tydelig Irma, ingen tegn på proliferativ retinopati; grad 4, neovaskularisering, glaslegemeblødning Volumenblod, præ nethindeblødning. På basis af Dr. grading intelligent diagnose standard, er konvolution neurale netværk konstrueret til at træne og gradere fundus billeder. Efter at have gentaget denne proces mange gange for hvert billede i træningssættet af fundusbilleder, lærer det dybe læringssystem, hvordan man klassificerer alle data i træningssættet for nøjagtigt at diagnosticere fundusbillederne.
  3. Convolution neural netværkskonstruktion for FFA billedfokusområde: Convolution neurale netværk af dyb læring er sammensat af millioner af parametre, som bruges til at træne og udføre givne opgaver. Outputtet, der genereres af hver lineær foldningsoperation, reguleres af ikke-lineær aktiveringsfunktion, kombineret med dimensionalitetsreduktionen af ​​poolinglaget og det fulde forbindelseslag, således at optimeringsprocessen for dybe neurale netværk ikke kun overvinder gradientspredningen, men også hjælper med at generere funktioner ligner den hierarkiske opfattelsesmekanisme af menneskelige neurale celler til visuelle signaler. FFA-billedet bruges som fundusdatatræningsdatabase. Baseret på den nøjagtige mærkning af læsionsområdet (intet perfusionsområde, mikroangiomområde og lækageområde), skal FFA-billedet behandles for intelligent genkendelse af læsionsområdet. I træningsprocessen er parametrene for det neurale netværk i første omgang sat til tilfældige værdier. Derefter sammenlignes resultaterne givet af funktionen for hvert billede med de kendte resultater af træningssættet for at optimere funktionens parametre. Efter at have gentaget denne proces mange gange for hvert billede i træningsdatasættet, lærte deep learning-systemet at klassificere alle data i træningssættet for præcist at forudsige Dr-læsioner på FFA-billeder.
  4. Konstruktion af intelligent fundus-lasernavigationsmodel baseret på FFA-billede og fundus-billedregistrering: Dr-læsions intelligente genkendelsessystem på ovenstående FFA-billede identificerer nøjagtigt de områder, der har behov for funduslaserbehandling, hjælper læger med at bestemme de læsioner, der skal behandles, og baserer på billedmatchning af maskinlæring, giver registreringsbilledet af fundusbillede og FFA-kombination, som er indstillet i henhold til placeringen og størrelsesinformationen for læsionsområdet Ifølge den matchende nethindediameter og arrangementet af forskellige laserpletter, den personlige laser behandlingsskema formuleres, og den intelligente fundus laser behandlingsvejledningsmodel konstrueres.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

2000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiesteder

  • Kina
    • Zhejiang
      • Hanzhou, Zhejiang, Kina
        • Rekruttering
        • The Second Affiliated Hospital of Zhejiang University
        • Kontakt:
          • Jin Kai, MD
          • Telefonnummer: 13646828461

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

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

patienter gennemgår nethindeundersøgelse på øjencenter på det andet tilknyttede hospital ved Zhejiang University

Beskrivelse

Inklusionskriterier:

  • patienter med nethindesygdomme

Ekskluderingskriterier:

  • patienter med anden sygdom påvirker retinal undersøgelse

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
patienter
patienter med nethindesygdomme

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
kunstig intelligens
Tidsramme: 2016.01-2023.12
bruge data til at udvikle dyb læringsmodeller
2016.01-2023.12

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Second Affiliated Hospital, School of Medicine, Zhejiang University

Efterforskere

  • Ledende efterforsker: Jin Kai, MD, Zhejiang University
  • Ledende efterforsker: Xu Yufeng, MD, Zhejiang University
  • Ledende efterforsker: Lou Lixia, MD, Zhejiang University

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)

1. januar 2016

Primær færdiggørelse (Forventet)

1. januar 2023

Studieafslutning (Forventet)

31. december 2023

Datoer for studieregistrering

Først indsendt

18. januar 2021

Først indsendt, der opfyldte QC-kriterier

18. januar 2021

Først opslået (Faktiske)

22. januar 2021

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

22. januar 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

18. januar 2021

Sidst verificeret

1. januar 2021

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 研2019-428

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

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 Nethindelidelse

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Cyprus

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner