Convolutional Neural Network Model to Detect Coronavirus Disease 2019 (COVID-19) Pneumonia in Thorax-Röntgenaufnahmen (RedNeumon)
Die Vorhersagekapazität eines Convolutional Neural Network (CNN)-Modells zur Erkennung einer viralen Pneumonie bei erwachsenen Patienten mit Coronavirus-Krankheit 2019 (COVID-19) in Cali, Kolumbien
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Um eine Lungenentzündung durch die Coronavirus-Krankheit 2019 (COVID-19) von anderen Arten von Lungenentzündung zu unterscheiden, müssen erfahrene Radiologen die Röntgenaufnahme des Brustkorbs (CXR) analysieren, um visuelle, radiologische Muster im Zusammenhang mit dem schweren akuten respiratorischen Syndrom Coronavirus 2 (SARS-CoV-2) zu identifizieren. Infektion. Es ist eine Herausforderung, weil die Ergebnisse für verschiedene Arten von Lungenentzündungen ähnlich sind.
Da die manuelle Diagnose von COVID-19 aus CXR ein schwieriger und zeitaufwändiger Prozess ist, ist die Anwendung von Deep-Learning-Modellen (DL) auf die medizinische Bildanalyse ein aktuelles heißes Forschungsthema. Diese Arbeit wird ein neues Convolutional Neural Network (CNN) entwickeln, um COVID-19-Röntgenaufnahmen zu erkennen. Es wird ein großer Datensatz von Röntgenaufnahmen des Brustkorbs verwendet, die in drei Klassen eingeteilt sind: virale/bakterielle Lungenentzündung, COVID-19-Pneumonie und normale Bilder. Die Studie zielt darauf ab, ein neues Aufmerksamkeitsmodul zu integrieren, das CNNs auf die lineare Projektionsoperation anwendet, um zu helfen, die COVID-19-Pneumonie von anderen Lungenentzündungen und normalen Röntgenaufnahmen des Brustkorbs in der klinischen Praxis zu unterscheiden.
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Kontakte und Standorte
Studienorte
-
-
Valle Del Cauca
-
Cali, Valle Del Cauca, Kolumbien, 760001
- Fundacion Valle del Lili
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Röntgenaufnahmen des Brustkorbs von Patienten ohne COVID-19 oder andere Lungenentzündung, die vor Beginn der Pandemie (Januar 2020) aufgenommen wurden
- Röntgenaufnahmen des Brustkorbs von Patienten mit COVID-19, bestätigt durch positive Reverse-Transkriptase-Polymerase-Kettenreaktion (RT-PCR) und/oder Vorhandensein von Antikörpern gegen COVID-19 und/oder positives virales COVID-19-Antigen.
- Röntgenaufnahmen des Brustkorbs von Patienten ohne COVID-19, bestätigt durch eine negative Reverse-Transkriptase-Polymerase-Kettenreaktion (RT-PCR) und andere Lungenentzündungsdiagnosen, die vor Beginn der Pandemie (Januar 2020) erstellt wurden
Ausschlusskriterien:
- N / A
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
COVID-19-Thorax-Röntgenaufnahmen
Röntgenaufnahmen von Patienten mit COVID-19-Diagnose, bestätigt durch positive Reverse-Transkriptase-Polymerase-Kettenreaktion (RT-PCR) und/oder Vorhandensein von Antikörpern gegen COVID-19 und/oder positivem COVID-19-Virusantigen.
|
Verwendung des Convolutional Neural Network Model zur Kategorisierung von Thorax-Röntgenbildern in jeder Gruppe.
|
|
Andere Pneumonie-Thorax-Röntgenaufnahmen
Röntgenaufnahmen von Patienten mit einer anderen Lungenentzündungsdiagnose als COVID-19
|
Verwendung des Convolutional Neural Network Model zur Kategorisierung von Thorax-Röntgenbildern in jeder Gruppe.
|
|
Normale Röntgenaufnahmen des Brustkorbs
Röntgenaufnahmen ohne Veränderungen im Lungenparenchym
|
Verwendung des Convolutional Neural Network Model zur Kategorisierung von Thorax-Röntgenbildern in jeder Gruppe.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
COVID-19 (Coronavirus-Krankheit 2019) Pneumonie-Thorax-Röntgenaufnahme identifiziert
Zeitfenster: Monat 8
|
Entwicklung und Bestimmung der Vorhersagefähigkeit eines Convolutional Neural Network-Modells zum Nachweis einer viralen Lungenentzündung in Thorax-Röntgenaufnahmen von erwachsenen Patienten mit akuter Atemwegserkrankung infolge einer SARS-COV-2-Infektion.
|
Monat 8
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
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 (Schätzen)
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
- 1805
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .