Konvolutionelt neuralt netværk til påvisning af cervikal myelomalaci
Konvolutionelt neuralt netværk til påvisning af cervikal myelomalaci på magnetisk resonansbilleddannelse
Deep learning-teknologi er blevet brugt i stigende grad i rygsøjlekirurgi såvel som i mange medicinske områder. Det bemærkes dog, at de fleste undersøgelser om dette emne i litteraturen er blevet udført med undtagelse af den cervikale rygsøjle. I denne undersøgelse havde vi til formål at demonstrere effektiviteten af den dybe læringsalgoritme i diagnosticering af cervikal myelomalaci sammenlignet med konventionelle diagnostiske metoder.
Kunstige neurale netværk, en maskinlæringsteknik, er blevet brugt i flere industrielle og forskningsmæssige områder i stigende grad. Udviklingen af beregningsenheder og den stigende mængde data førte til udviklingen af nye metoder på kunstige neurale netværk
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Cervikal myelopati (CM) er en hyppig degenerativ sygdom i den cervikale rygsøjle, der opstår som følge af kompression af rygmarven. Ved evaluering af denne sygdom og bestemmelse af behandlingsmuligheder bør patientens klinik og radiologiske modaliteter evalueres sammen.
De nuværende billeddannelsesprocedurer for CM er almindelige røntgenogrammer, computertomografi og magnetisk resonansbilleddannelse (MRI). Imidlertid er MR i CM mere værdifuld til evaluering af disken, rygmarven og andet blødt væv sammenlignet med andre billeddannelsesmetoder. Kunstig intelligens-teknologier bruges også i mange sundhedsapplikationer såsom medicinsk billedanalyse, biologisk signalanalyse osv. I denne undersøgelse havde vi til formål at demonstrere effektiviteten af den dybe læringsalgoritme i diagnosticering af cervikal myelomalaci sammenlignet med konventionelle diagnostiske metoder.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Fatih
-
Istanbul, Fatih, Kalkun, 34093
- Istanbul University
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- patienter med klassiske cervikal myelomalaci-symptomer såsom nakkesmerter og stivhed, svaghed og klodsethed i de øvre ekstremiteter eller gangbesvær og radiologiske fund af spinal kompression
- 30-80 års alderen.
Ekskluderingskriterier:
- Patienter med en tidligere historie med cervikal rygmarvskirurgi og har en systematisk sygdom (reumatologisk eller neural sygdom).
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
cervikal myelopati
MR-billeder af patienter med cervikal myelopati
|
Konvolutionelle neurale netværk, en maskinlæringsteknik, er blevet brugt i flere industrielle og forskningsfelter i stigende grad.
Udviklingen af beregningsenheder og den stigende mængde data førte til udviklingen af nye metoder på kunstige neurale netværk.
Deep learning (DL) er et flerlags neuralt netværk, hvor funktionsudtrækning udføres automatisk.
Det udvider traditionelle neurale netværk ved at tilføje flere skjulte lag til netværksarkitekturen mellem input- og outputlagene for at modellere mere komplekse og ikke-lineære relationer.
|
|
normal
normal del af MR-scanningen af patienter med cervikal myelopati
|
Konvolutionelle neurale netværk, en maskinlæringsteknik, er blevet brugt i flere industrielle og forskningsfelter i stigende grad.
Udviklingen af beregningsenheder og den stigende mængde data førte til udviklingen af nye metoder på kunstige neurale netværk.
Deep learning (DL) er et flerlags neuralt netværk, hvor funktionsudtrækning udføres automatisk.
Det udvider traditionelle neurale netværk ved at tilføje flere skjulte lag til netværksarkitekturen mellem input- og outputlagene for at modellere mere komplekse og ikke-lineære relationer.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Værdien af forvirringsmatrix-nøjagtighed for sagittale visninger
Tidsramme: 1 dag
|
Det er et specifikt tabellayout, der tillader visualisering af en algoritmes ydeevne.
|
1 dag
|
|
Værdien af forvirringsmatrix-nøjagtighed for aksiale visninger
Tidsramme: 1 dag
|
Det er et specifikt tabellayout, der tillader visualisering af en algoritmes ydeevne.
|
1 dag
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Hakan Yilmaz, Karabuk University, Faculty of Engineering
- Ledende efterforsker: Murat Korkmaz, Istanbul University, Faculty of Medicine
Datoer for undersøgelser
Studer store datoer
Studiestart (FAKTISKE)
Primær færdiggørelse (FAKTISKE)
Studieafslutning (FAKTISKE)
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
- KAEK/2020.07.129
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
IPD-deling Understøttende informationstype
- STUDY_PROTOCOL
- SAP
- ICF
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 .