Udviklingen af kvantitativ ultralydsbilleddannelsessoftwareplatform
18. april 2023 opdateret af: Seoul National University Bundang Hospital
Udviklingen af kunstig intelligens (AI) baseret højtydende strukturel-funktionel og kvantitativ ultralydsbilleddannelsessoftwareplatform
Målet med denne observationsundersøgelse er at sammenligne billedforskellene mellem konventionel ultralyd og kunstig intelligens-baseret ultralydssoftware hos bevidste voksne.
Hovedspørgsmålet, det sigter mod at besvare, er at evaluere effektiviteten ved at fastslå, at den nye billedanalysemetode anses for gyldig, hvis den hjælper med at identificere mere end 30 % af histologiske karakteristika.
Deltagerne vil gennemgå undersøgelsen ved hjælp af de to tidligere nævnte metoder efter at have underskrevet samtykkeerklæringen.
Studieoversigt
Status
Tilmelding efter invitation
Undersøgelsestype
Observationel
Tilmelding (Forventet)
196
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Korea, Republikken, 13620
- Seoul National University Bundang 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
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
En person, der besøger Seoul National University Bundang Hospital til medicinsk behandling eller konsultation.
Beskrivelse
Inklusionskriterier:
- Mennesker med hjertesygdomme, skjoldbruskkirtelsygdomme, brystsygdomme og leversygdomme.
Ekskluderingskriterier:
- En person, der er blevet opereret på det pågældende målorgan.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Kvantitativ ultralydsinformation
Tidsramme: 5 år
|
Kvantitative ultralydsbilleder af hjerte-, skjoldbruskkirtel- og brystsygdomme
|
5 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Cheng PM, Malhi HS. Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images. J Digit Imaging. 2017 Apr;30(2):234-243. doi: 10.1007/s10278-016-9929-2.
- Chi J, Walia E, Babyn P, Wang J, Groot G, Eramian M. Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network. J Digit Imaging. 2017 Aug;30(4):477-486. doi: 10.1007/s10278-017-9997-y.
- F. Milletari, N. Navab and S. -A. Ahmadi. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV), Stanford, CA, USA. 2016; 565-571.
- Ma J, Wu F, Jiang T, Zhu J, Kong D. Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images. Med Phys. 2017 May;44(5):1678-1691. doi: 10.1002/mp.12134. Epub 2017 Apr 17.
- Chen H, Zheng Y, Park JH, Heng PA, Zhou SK. (2016). Iterative Multi-domain Regularized Deep Learning for Anatomical Structure Detection and Segmentation from Ultrasound Images. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016. 2016; 9901.
- Lekadir K, Galimzianova A, Betriu A, Del Mar Vila M, Igual L, Rubin DL, Fernandez E, Radeva P, Napel S. A Convolutional Neural Network for Automatic Characterization of Plaque Composition in Carotid Ultrasound. IEEE J Biomed Health Inform. 2017 Jan;21(1):48-55. doi: 10.1109/JBHI.2016.2631401. Epub 2016 Nov 22.
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. september 2020
Primær færdiggørelse (Forventet)
31. marts 2026
Studieafslutning (Forventet)
31. marts 2026
Datoer for studieregistrering
Først indsendt
18. april 2023
Først indsendt, der opfyldte QC-kriterier
18. april 2023
Først opslået (Faktiske)
1. maj 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
1. maj 2023
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
18. april 2023
Sidst verificeret
1. april 2023
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
- Sygdomme i fordøjelsessystemet
- Iskæmi
- Patologiske processer
- Nekrose
- Myokardieiskæmi
- Hjertesygdomme
- Hjerte-kar-sygdomme
- Karsygdomme
- Hudsygdomme
- Neoplasmer
- Neoplasmer efter sted
- Sygdomme i det endokrine system
- Leversygdomme
- Myokardieinfarkt
- Infarkt
- Brystneoplasmer
- Skjoldbruskkirtelsygdomme
- Brystsygdomme
- Fibrocystisk brystsygdom
Andre undersøgelses-id-numre
- B-1910-570-301
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 .