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

Forskning i Acetabular Labrum Injury Baseret på MR: Multi-angle Deep Learning Model

29. juni 2021 opdateret af: Peking University Third Hospital
Formålet med denne undersøgelse er at studere MR-billederne af acetabulær labrum-skade ved deep learning-metode og forsøge at etablere en kombinationsmodel af aksiale og koronale serielle billeder og sammenligne med radiologers diagnostiske nøjagtighed for at etablere en deep learning-metode for nøjagtig identifikation og klassificering af acetabulære labrumskade.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

  1. Detektion af acetabulære labrum-billeder baseret på CNN: aksiale og koronale T2-fs-billeder blev brugt, og alle billeder blev korrigeret og standardiseret. CNN anvendes til at genkende og lære billederne med acetabulær labrum for at vælge billederne med acetabulær labrum struktur fra den komplette sekvens og slette billederne uden acetabulær labrum struktur. Alle data er opdelt i et træningssæt (70 %, 30 % i træningssæt som verifikationssæt), og de resterende 30 % som et testsæt for at evaluere nøjagtigheden af ​​modelgenkendelse. Indtast de opnåede resultater i næste trin.
  2. Genkendelse og segmentering af acetabular labrum baseret på Densenet: brug af Densenet til at genkende og lære acetabular labrum fra de valgte billeder. LabelImg blev brugt til at lokalisere acetabulære labrum-koordinater manuelt og derefter indtaste dem i Python til genkendelseslæring. Alle data blev opdelt i et træningssæt (70 %, og derefter blev 30 % i træningssættet valgt som verifikationssæt), og de resterende 30 % blev brugt som testsæt til at evaluere nøjagtigheden af ​​modelgenkendelse. Efter identifikation af labrumstrukturen skæres labrumstrukturen lokalt og forstørres for at fjerne den overflødige information. Indtast endelig resultatet til næste trin.
  3. Identifikation og klassificering af acetabulær labrum-skade baseret på 3D-CNN: inputdataene blev identificeret og klassificeret af 3D-CNN-modellen. 3D-CNN er opdelt i otte lag: inputlag, hårdtrådslag H1, foldningslag C2, nedsamplingslag S3, foldningslag C4, nedsamplingslag S5, foldningslag C6 og outputlag. 3D-CNN konstruerer en terning ved at stable flere på hinanden følgende rammer og bruger derefter en 3D-foldningskerne i terningen. Gennem denne struktur vil funktionsbillederne i foldningslaget blive forbundet med flere tilstødende rammer i det foregående lag for at realisere informationsindsamlingen af ​​kontinuerlige billeder. Tilsvarende blev dataene opdelt i et træningssæt (70 %, og derefter blev 30 % af træningssættet valgt som verifikationssæt), og de resterende 30 % blev brugt som testsæt til at evaluere klassificeringsnøjagtigheden for at identificere skaden af labrum og klassificere tilfældene med skade.
  4. Kombinationsmodel: i henhold til ovenstående proces (1-3), efter at modellerne er etableret for henholdsvis de aksiale og koronale billeder, i henhold til outputkarakteristikaene for CNN-klassifikationsmodellen, forudsiges sandsynligheden for forskellige kvaliteter før outputresultaterne, og outputresultaterne er baseret på disse sandsynligheder for at vælge udtryksformen for den maksimalt mulige sandsynlighed. Vores kombinationsmodel tager gennemsnittet af sandsynligheden for disse forskellige klassifikationer, beregner den endelige forudsigelsessandsynlighed og opnår derefter den endelige model. Testsættet fra det tredje trin (inklusive de blandede data for aksiale og koronale billeder) blev brugt til at verificere modellen.
  5. Sammenligning af radiologer og deep learning: List testsæt-tilfældene i ovenstående trin 3 og bed to professionelle MSK-radiologer om at klassificere, om der er skader og graden af ​​skade, og sammenligne med resultaterne med kunstig diagnose (begge læger læser billederne uafhængigt af hinanden og opnåede diagnoseresultaterne ved at simulere den normale tilstand ved at skrive rapporten uden nogen prompt). Endelig blev nøjagtigheden af ​​kunstig diagnose sammenlignet med den for kombinationsmodellen opnået i det fjerde trin.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

1261

Kontakter og lokationer

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

Studiesteder

  • Kina
    • Beijing
      • Beijing, Beijing, Kina, 010
        • Peking University Third Hospital

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

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Fra september 2018 til september 2020 blev MR udført i Radiologiafdelingen, det tredje hospital ved Peking University.

Beskrivelse

Inklusionskriterier:

  1. Uden nogen behandling før billeddiagnostisk undersøgelse;
  2. MR af hofteleddet blev udført inden for tre måneder før operationen, og billedkvaliteten var god;
  3. Artroskopisk operation blev udført på vores hospital, og operationsjournalerne var fuldstændige.

Ekskluderingskriterier:

  1. Anamnese med hofteoperation, tumor eller tidligere fraktur;
  2. Uklart billede, alvorlig artefakt eller ufuldstændige kliniske data.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Case-Control
  • Tidsperspektiver: Tilbagevirkende kraft

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Normal kontrolgruppe-grad 0
Artroskopisk undersøgelse af hoften var normal, og labrum var intakt uden skader eller revner.
Diagnostisk test: Diagnostisk test
Resultaterne af hofteartroskopi blev taget som guldstandarden, og MR-undersøgelse blev taget som forskningsobjekt.
Ledbåndsskade -grad 1
Artroskopisk undersøgelse af hoften viste labrum degeneration eller skade, men ingen lokal eller fuldstændig rift.
Diagnostisk test: Diagnostisk test
Resultaterne af hofteartroskopi blev taget som guldstandarden, og MR-undersøgelse blev taget som forskningsobjekt.
Ligament rive-grad 2
Artroskopi af hoften afslørede delvist eller fuldstændigt tab af labrum.
Diagnostisk test: Diagnostisk test
Resultaterne af hofteartroskopi blev taget som guldstandarden, og MR-undersøgelse blev taget som forskningsobjekt.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Forskning i acetabulær labrum-skade baseret på MR: multi-angle deep learning model
Tidsramme: 2020.12.01-2021.05.30
Modellen for dyb læring blev opnået til diagnosticering og gradering af labrumskade og sammenlignet med lægerne på forskellige stadier.
2020.12.01-2021.05.30

Samarbejdspartnere og efterforskere

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

Sponsor

Peking University Third Hospital

Efterforskere

  • Studiestol: huishu Yuan, MD, Peking University Third Hospital

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. december 2020

Primær færdiggørelse (Faktiske)

30. april 2021

Studieafslutning (Faktiske)

30. maj 2021

Datoer for studieregistrering

Først indsendt

29. juni 2021

Først indsendt, der opfyldte QC-kriterier

29. juni 2021

Først opslået (Faktiske)

2. juli 2021

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

2. juli 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

29. juni 2021

Sidst verificeret

1. juni 2021

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • M2020459

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 Diagnostisk test

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in United Arab Emirates

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner