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

Deep Learning Rekonstruktionsalgoritmer i dobbelt lavdosis CTA

16. april 2024 opdateret af: Hao Tang

Evaluering af Deep Learning-rekonstruktionsalgoritmer i dobbelt lavdosis CT vaskulær billeddannelse

Målet med denne observationsundersøgelse er at evaluere indvirkningen af ​​deep learning-billedrekonstruktion på billedkvaliteten og den diagnostiske ydeevne af dobbelt lavdosis CTA. Hovedspørgsmålet, det sigter mod at besvare, er at udforske gennemførligheden af ​​deep learning billedrekonstruktion i dobbelt lavdosis CTA.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

  1. De rå data fra patienter, der gennemgik hoved- og hals-CTA, koronar CTA og abdominal CTA i både standarddosis- og dobbelt lavdosisgrupper blev inkluderet.
  2. Teknikker såsom filtreret tilbageprojektion, iterativ rekonstruktion og rekonstruktion af dyb læring blev udført.
  3. Gennemførligheden af ​​rekonstruktion af dyb læring i dobbelt lavdosis CTA blev evalueret baseret på billedkvalitet og diagnostisk ydeevne.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1200

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430000
        • Rekruttering
        • Tongji Hospital Affiliated to Tongji Medical College of Huazhong University of Science and Technology
        • Kontakt:

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

Ja

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Raske eller syge voksne, der gennemgår CT vaskulær billeddannelse

Beskrivelse

Inklusionskriterier:

  • Patienter med hoved- og hals-CTA, koronararterie-CTA og abdominal CTA på grund af slagtilfælde, koronar hjertesygdom og abdominal inflammatorisk sygdom og abdominale tumorer.

Ekskluderingskriterier:

  • Alder <18 år, graviditet, allergisk reaktion på jodkontrastmiddel, nyreinsufficiens og svær hyperthyroidisme.

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
Standard dosisgruppe
Rådata fra 400 patienter med konventionel dosis hoved- og hals-CTA, koronar CTA og abdominal CTA blev inkluderet. Der blev udført filtreret tilbageprojektion, iteration og rekonstruktion af dyb læring. At evaluere indvirkningen af ​​deep learning-rekonstruktion på billedkvalitet og diagnostisk ydeevne hos patienter med konventionel dosis CTA.
Diagnostisk test: Deep learning billedrekonstruktion
Deep learning image reconstruction (DLIR) er en nyudviklet kunstig intelligens støjreduktionsalgoritme i de seneste år. Den træner massive højkvalitets FBP-datasæt til at lære at skelne mellem støj og signaler for selektivt at reducere støj og rekonstruere billeder af høj kvalitet med billeddata af lav kvalitet.
Dobbelt lavdosis gruppe
Rådata fra 800 patienter med lav rørspænding og kontrastmiddel hoved og hals CTA, koronar CTA og abdominal CTA blev inkluderet. Der blev udført filtreret tilbageprojektion, iteration og rekonstruktion af dyb læring. At evaluere indvirkningen af ​​rekonstruktion af dyb læring på billedkvalitet og diagnostisk ydeevne hos patienter med dobbelt-lav-dosis CTA.
Diagnostisk test: Deep learning billedrekonstruktion
Deep learning image reconstruction (DLIR) er en nyudviklet kunstig intelligens støjreduktionsalgoritme i de seneste år. Den træner massive højkvalitets FBP-datasæt til at lære at skelne mellem støj og signaler for selektivt at reducere støj og rekonstruere billeder af høj kvalitet med billeddata af lav kvalitet.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Specificiteten og følsomheden beregnet gennem den optimale afskæringsværdi for modtagerens driftskarakteristikkurve.
Tidsramme: 2026.1
Specificiteten og sensitiviteten blev beregnet separat for standarddosisgruppen og den dobbelte lavdosisgruppe under anvendelse af den optimale afskæringsværdi fra modtagerens driftskarakteristikkurve med det formål at sammenligne diagnostisk nøjagtighed mellem de to grupper.
2026.1

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Signal-til-støj-forholdet beregnet ud fra billed-CT-værdier og støj
Tidsramme: 2026.1
Signal-til-støj-forholdet blev beregnet separat for standarddosisgruppen og den dobbelte lavdosisgruppe ved hjælp af billed-CT-værdier og støj for at vurdere billedkvaliteten mellem de to grupper.
2026.1

Samarbejdspartnere og efterforskere

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

Sponsor

Hao Tang

Efterforskere

  • Ledende efterforsker: Hao Tang, Doctor, Tongji 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. juni 2023

Primær færdiggørelse (Anslået)

1. december 2025

Studieafslutning (Anslået)

1. marts 2026

Datoer for studieregistrering

Først indsendt

11. april 2024

Først indsendt, der opfyldte QC-kriterier

16. april 2024

Først opslået (Faktiske)

18. april 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

18. april 2024

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

16. april 2024

Sidst verificeret

1. april 2024

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • 102122

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

For at beskytte deltagernes privatliv deles de relevante data ikke før deltagernes samtykke

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 Dyb læring

Kliniske forsøg med Deep learning billedrekonstruktion

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in France

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner