Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Deep-Learning-basierte Klassifizierung der Wirbelsäulen-CT (DETECT)

10. Mai 2020 aktualisiert von: Shisheng He, MD, Shanghai 10th People's Hospital
Es ist für Wirbelsäulenchirurgen oder Radiologen zeitaufwändig, manuelle Klassifizierungen der Wirbelsäulen-CT durchzuführen, was auch mit einer hohen Varianz zwischen Beobachtern korrelieren kann. Mit der Entwicklung der Informatik hat sich Deep Learning zu einer vielversprechenden Technik entwickelt, um Bilder von der Einzelebene bis zur Pixelebene zu klassifizieren. Der Kern der Studie besteht darin, die Läsionen automatisch zu identifizieren und zu klassifizieren oder Zielstrukturen in der Wirbelsäulen-CT mit Deep Learning zu segmentieren.

Studienübersicht

Status

Unbekannt

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Die Computertomographie (CT) ist eines der wichtigsten bildgebenden Verfahren zur Diagnose und Behandlung von Wirbelsäulenerkrankungen. Klassifizierung spezifischer Ziele (z. B. Personen, Läsionen usw.) ist eine der häufigsten Aufgaben der medizinischen Bildanalyse. Allerdings ist es für Wirbelsäulenchirurgen oder Radiologen zeitaufwändig, manuelle Klassifizierungen der Wirbelsäulen-CT durchzuführen, was auch mit einer hohen Varianz zwischen Beobachtern korrelieren kann. Mit der Entwicklung der Informatik hat sich Deep Learning zu einer vielversprechenden Technik entwickelt, um Bilder von der Einzelebene bis zur Pixelebene zu klassifizieren. Der Kern der Studie besteht darin, die Läsionen automatisch zu identifizieren und zu klassifizieren oder Zielstrukturen in der Wirbelsäulen-CT mit Deep Learning zu segmentieren.

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

500

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

  • China
    • Shanghai
      • Shanghai, Shanghai, China, 200072

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre bis 65 Jahre (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten mit dünnschichtiger Wirbelsäulen-CT, die das Zielniveau abdeckt, werden eingeschlossen.

Beschreibung

Einschlusskriterien:

- Dünnschicht-CT der Wirbelsäule

Ausschlusskriterien:

  • Medaillen oder andere Implantate führen zu Artefakten
  • schlechte Bildqualität

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Dünnschicht-CT
Die Dünnschicht-CT wird manuell beschriftet und zum Trainieren, Validieren und Testen von Deep-Learning-Algorithmen verwendet.
Diagnosetest: tiefes Lernen
Manuell beschriftete Proben werden verwendet, um Deep-Learning-Algorithmen zu trainieren, zu validieren und zu testen und anschließend eine automatische Klassifizierung zu realisieren.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Klassifizierungsgenauigkeit
Zeitfenster: 1 Tag
Klassifizierungsgenauigkeit (z.B. Fläche unter der Kurve usw.)
1 Tag
Segmentierungsgenauigkeit
Zeitfenster: 1 Tag
Segmentierungsgenauigkeit mehrerer Strukturen (z. B. Würfelergebnis usw.)
1 Tag

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Shanghai 10th People's Hospital

Mitarbeiter

Third Affiliated Hospital, Sun Yat-Sen University

Ermittler

  • Hauptermittler: Shisheng He, M.D., Shanghai 10th People's Hospital

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

22. Februar 2019

Primärer Abschluss (Voraussichtlich)

1. Mai 2020

Studienabschluss (Voraussichtlich)

1. Mai 2020

Studienanmeldedaten

Zuerst eingereicht

16. November 2018

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

29. Dezember 2018

Zuerst gepostet (Tatsächlich)

2. Januar 2019

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

12. Mai 2020

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

10. Mai 2020

Zuletzt verifiziert

1. Mai 2020

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • SHSY180624

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 .

Klinische Studien zur tiefes Lernen

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Malawi

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren