Forschung zur Acetabulum-Labrum-Verletzung basierend auf MR: Multi-Winkel-Deep-Learning-Modell
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
- Erkennung von Labrum-Acetabulum-Bildern basierend auf CNN: Es wurden axiale und koronale T2-fs-Bilder verwendet, und alle Bilder wurden korrigiert und standardisiert. CNN wird angewendet, um die Bilder mit Hüftpfannen-Labrum zu erkennen und zu lernen, um die Bilder mit Hüftpfannen-Labrum-Struktur aus der vollständigen Sequenz auszuwählen und die Bilder ohne Hüftpfannen-Labrum-Struktur zu löschen. Alle Daten werden in ein Trainingsset (70%, 30% Trainingsset als Verifikationsset) und die restlichen 30% als Testset zur Bewertung der Genauigkeit der Modellerkennung aufgeteilt. Geben Sie die erhaltenen Ergebnisse in den nächsten Schritt ein.
- Erkennung und Segmentierung des Acetabulum-Labrums basierend auf Densenet: Verwendung von Densenet zum Erkennen und Lernen des Acetabulum-Labrums anhand der ausgewählten Bilder. LabelImg wurde verwendet, um die Koordinaten des acetabulären Labrums manuell zu lokalisieren und sie dann zum Wiedererkennungslernen in Python einzugeben. Alle Daten wurden in einen Trainingssatz aufgeteilt (70 %, und dann wurden 30 % des Trainingssatzes als Verifizierungssatz ausgewählt), und die restlichen 30 % wurden als Testsatz verwendet, um die Genauigkeit der Modellerkennung zu bewerten. Nach der Identifizierung der Labrumstruktur wird die Labrumstruktur lokal geschnitten und vergrößert, um die redundante Information zu entfernen. Geben Sie abschließend das Ergebnis in den nächsten Schritt ein.
- Identifizierung und Einstufung der Hüftgelenkverletzung basierend auf 3D-CNN: Die Eingabedaten wurden anhand des 3D-CNN-Modells identifiziert und bewertet. 3D-CNN ist in acht Schichten unterteilt: Eingangsschicht, Festverdrahtungsschicht H1, Faltungsschicht C2, Downsampling-Schicht S3, Faltungsschicht C4, Downsampling-Schicht S5, Faltungsschicht C6 und Ausgangsschicht. 3D-CNN konstruiert einen Würfel durch Stapeln mehrerer aufeinanderfolgender Frames und verwendet dann einen 3D-Faltungskern im Würfel. Durch diese Struktur werden die Merkmalsbilder in der Faltungsschicht mit mehreren benachbarten Einzelbildern in der vorherigen Schicht verbunden, um die Informationserfassung kontinuierlicher Bilder zu realisieren. In ähnlicher Weise wurden die Daten in einen Trainingssatz aufgeteilt (70 %, und dann wurden 30 % des Trainingssatzes als Verifizierungssatz ausgewählt), und die restlichen 30 % wurden als Testsatz verwendet, um die Klassifizierungsgenauigkeit zur Identifizierung der Verletzung zu bewerten des Labrums und klassifizieren Sie die Fälle mit Verletzungen.
- Kombinationsmodell: Gemäß dem obigen Prozess (1–3) werden, nachdem die Modelle für die axialen bzw. koronalen Bilder erstellt wurden, gemäß den Ausgabeeigenschaften des CNN-Klassifikationsmodells die Wahrscheinlichkeiten verschiedener Grade vor den Ausgabeergebnissen vorhergesagt, und die Ausgabeergebnisse basieren auf diesen Wahrscheinlichkeiten, um die Ausdrucksform der maximal möglichen Wahrscheinlichkeit auszuwählen. Unser Kombinationsmodell mittelt die Wahrscheinlichkeiten dieser unterschiedlichen Klassifikationen, berechnet die endgültige Vorhersagewahrscheinlichkeit und erhält dann das endgültige Modell. Das Testset des dritten Schritts (einschließlich der gemischten Daten aus axialen und koronalen Bildern) wurde verwendet, um das Modell zu verifizieren.
- Vergleich von Radiologen und Deep Learning: Listen Sie die Test-Set-Fälle im obigen Schritt 3 auf und bitten Sie zwei MSK-Fachradiologen, zu klassifizieren, ob eine Schädigung und der Grad der Schädigung vorliegt, und vergleichen Sie sie mit den Ergebnissen mit künstlicher Diagnose (beide Ärzte lesen die Bilder unabhängig voneinander aus und die Diagnoseergebnisse durch Simulation des normalen Zustands des Schreibens des Berichts ohne Aufforderung erhalten). Abschließend wurde die Genauigkeit der künstlichen Diagnose mit der des im vierten Schritt gewonnenen Kombinationsmodells verglichen.
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Kontakte und Standorte
Studienorte
-
-
Beijing
-
Beijing, Beijing, China, 010
- Peking University Third Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Ohne Behandlung vor der bildgebenden Untersuchung;
- MR des Hüftgelenks wurde innerhalb von drei Monaten vor der Operation durchgeführt und die Bildqualität war gut;
- In unserem Krankenhaus wurde eine arthroskopische Operation durchgeführt, und die Operationsaufzeichnungen waren vollständig.
Ausschlusskriterien:
- Anamnese einer Hüftoperation, eines Tumors oder einer früheren Fraktur;
- Unscharfes Bild, schwerwiegendes Artefakt oder unvollständige klinische Daten.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Fallkontrolle
- Zeitperspektiven: Retrospektive
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Normale Kontrollgruppe – Grad 0
Die arthroskopische Untersuchung der Hüfte war normal, und das Labrum war ohne Verletzung oder Riss intakt.
|
Als Goldstandard wurden die Ergebnisse der Hüftarthroskopie und als Untersuchungsgegenstand die MRT-Untersuchung genommen.
|
|
Bandverletzung -Grad 1
Die arthroskopische Untersuchung der Hüfte zeigte eine Degeneration oder Verletzung des Labrums, aber keinen lokalen oder vollständigen Riss.
|
Als Goldstandard wurden die Ergebnisse der Hüftarthroskopie und als Untersuchungsgegenstand die MRT-Untersuchung genommen.
|
|
Bänderriss Grad 2
Die Arthroskopie der Hüfte ergab einen teilweisen oder vollständigen Verlust des Labrums.
|
Als Goldstandard wurden die Ergebnisse der Hüftarthroskopie und als Untersuchungsgegenstand die MRT-Untersuchung genommen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Forschung zu Acetabulum-Labrum-Verletzungen basierend auf MR: Multi-Winkel-Deep-Learning-Modell
Zeitfenster: 2020.12.01-2021.05.30
|
Das Modell des tiefen Lernens wurde für die Diagnose und Einstufung von Labrumverletzungen erhalten und mit den Ärzten verschiedener Stadien verglichen.
|
2020.12.01-2021.05.30
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Ermittler
Ermittler
- Studienstuhl: huishu Yuan, MD, Peking University Third Hospital
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- M2020459
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .