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

Eine neue Technik zur Behandlung von Netzhauterkrankungen

18. Januar 2021 aktualisiert von: Second Affiliated Hospital, School of Medicine, Zhejiang University

Forschung zu intelligenter Diagnose und automatischer Läsionsverfolgung zur präzisen Behandlung von Netzhauterkrankungen auf Basis von Deep Learning

Mit dem Aufkommen der Ära der Präzisionsmedizin wird auf der Grundlage von FFA-Bild-Deep-Learning der Bereich von Fundusläsionen identifiziert, Fundusbilder registriert und je nach Schweregrad von Funduserkrankungen die optimale Laserenergie und der optimale Pfad für die genaue Behandlung des Fundus entworfen Erkrankungen haben einen dringenden klinischen Bedarf und eine sehr wichtige Bedeutung

Studienübersicht

Status

Rekrutierung

Bedingungen

Detaillierte Beschreibung

  1. Aufbau einer strukturierten DR-Bilddatenbank und genaue Annotation: retrospektiv (vom 1. Januar 2016 bis zum Tag der ethischen Prüfung) und prospektiv (vom Tag der ethischen Prüfung bis zum 31. Dezember 2023) gesammelte FFA- und andere multimodale Bilddaten. Mehrere Augenärzte und leitende Experten für Funduserkrankungen führten eine diagnostische Bewertung jedes Bildes jedes Patienten durch und vervollständigten die genaue Einstufung der Daten. Schließlich wurde Schritt für Schritt eine strukturierte Dr.-Datenbank erstellt. In diesem Artikel wird die Theorie des Computersehens verwendet, um die Qualitätsverzerrung von FFA-Bildern zu quantifizieren, der Computer wird angeleitet, die vorhandenen Bildverbesserungs- und Rauschunterdrückungsalgorithmen adaptiv zu konfigurieren, und die Vorverarbeitung der Fundusbilddaten wird abgeschlossen.
  2. Aufbau eines intelligenten Bewertungsdiagnosesystems von Dr. basierend auf Fundusbildern: Erstens wird das Fundusbild als Fundusdaten-Trainingsdatenbank verwendet, und gemäß dem internationalen klinischen Dr-Bewertungsdiagnosestandard markieren viele Ärzte das Fundusbild genau. Internationale klinische Dr-Einstufungskriterien: Note 0, keine offensichtlichen Netzhautanomalien; Grad 1, nur Mikroangiom; Grad 2, schwerer als Mikroangiom, aber weniger schwerwiegend als schwer; Grad 3, vier Quadranten, jeder Quadrant hat mehr als 20 Netzhautblutungen, mehr als zwei Quadranten haben deutliche Venenperlen, mehr als ein Quadrant hat offensichtliche Irma, keine Anzeichen einer proliferativen Retinopathie; Grad 4, Neovaskularisation, Glaskörperblutung. Volumenblut, präretinale Blutung. Auf der Grundlage des intelligenten Diagnosestandards Dr. Grading wird ein Faltungs-Neuronales Netzwerk zum Trainieren und Bewerten von Fundusbildern aufgebaut. Nachdem dieser Vorgang für jedes Bild im Trainingssatz der Fundusbilder viele Male wiederholt wurde, lernt das Deep-Learning-System, alle Daten im Trainingssatz zu klassifizieren, um die Fundusbilder genau zu diagnostizieren.
  3. Aufbau eines Faltungs-Neuronalen Netzwerks für den Fokusbereich von FFA-Bildern: Das Faltungs-Neuronale Netzwerk des Deep Learning besteht aus Millionen von Parametern, die zum Trainieren und Ausführen bestimmter Aufgaben verwendet werden. Die durch jede lineare Faltungsoperation erzeugte Ausgabe wird durch eine nichtlineare Aktivierungsfunktion reguliert, kombiniert mit der Dimensionsreduzierung der Pooling-Schicht und der vollständigen Verbindungsschicht, sodass der Optimierungsprozess des tiefen neuronalen Netzwerks nicht nur die Gradientendispersion überwindet, sondern auch zur Generierung von Merkmalen beiträgt ähnlich dem hierarchischen Wahrnehmungsmechanismus menschlicher Nervenzellen für visuelle Signale. Das FFA-Bild wird als Fundusdaten-Trainingsdatenbank verwendet. Basierend auf der genauen Kennzeichnung des Läsionsbereichs (Bereich ohne Perfusion, Mikroangiombereich und Leckagebereich) muss das FFA-Bild für die intelligente Erkennung des Läsionsbereichs behandelt werden. Im Trainingsprozess werden die Parameter des neuronalen Netzes zunächst auf zufällige Werte gesetzt. Anschließend werden für jedes Bild die von der Funktion gelieferten Ergebnisse mit den bekannten Ergebnissen des Trainingssatzes verglichen, um die Parameter der Funktion zu optimieren. Nachdem dieser Vorgang viele Male für jedes Bild im Trainingsdatensatz wiederholt wurde, lernte das Deep-Learning-System, alle Daten im Trainingssatz zu klassifizieren, um die Dr.-Läsionen auf FFA-Bildern genau vorherzusagen.
  4. Aufbau eines intelligenten Fundus-Laser-Navigationsmodells auf der Grundlage von FFA-Bildern und Fundus-Bildregistrierung: Das intelligente Erkennungssystem für Läsionen von Dr. auf dem obigen FFA-Bild identifiziert genau die Bereiche, die einer Fundus-Laserbehandlung bedürfen, und hilft Ärzten bei der Bestimmung der zu behandelnden Läsionen Auf der Bildanpassung des maschinellen Lernens wird ein Registrierungsbild aus Fundusbild und FFA-Kombination bereitgestellt, das entsprechend der Positions- und Größeninformationen des Läsionsbereichs entsprechend dem passenden Netzhautdurchmesser und der Anordnung verschiedener Laserpunkte eingestellt wird, der personalisierte Laser Das Behandlungsschema wird formuliert und das intelligente Leitmodell für die Fundus-Laserbehandlung erstellt.

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

2000

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • China
    • Zhejiang
      • Hanzhou, Zhejiang, China
        • Rekrutierung
        • The Second Affiliated Hospital of Zhejiang University
        • Kontakt:
          • Jin Kai, MD
          • Telefonnummer: 13646828461

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Patienten werden im Augenzentrum des zweiten angegliederten Krankenhauses der Zhejiang-Universität einer Netzhautuntersuchung unterzogen

Beschreibung

Einschlusskriterien:

  • Patienten mit Netzhauterkrankungen

Ausschlusskriterien:

  • Patienten mit anderen Erkrankungen beeinträchtigen die Netzhautuntersuchung

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
Patienten
Patienten mit Netzhauterkrankungen

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
künstliche Intelligenz
Zeitfenster: 2016.01-2023.12
Nutzung von Daten zur Entwicklung von Deep-Learning-Modellen
2016.01-2023.12

Mitarbeiter und Ermittler

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

Sponsor

Second Affiliated Hospital, School of Medicine, Zhejiang University

Ermittler

  • Hauptermittler: Jin Kai, MD, Zhejiang University
  • Hauptermittler: Xu Yufeng, MD, Zhejiang University
  • Hauptermittler: Lou Lixia, MD, Zhejiang University

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)

1. Januar 2016

Primärer Abschluss (Voraussichtlich)

1. Januar 2023

Studienabschluss (Voraussichtlich)

31. Dezember 2023

Studienanmeldedaten

Zuerst eingereicht

18. Januar 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

18. Januar 2021

Zuerst gepostet (Tatsächlich)

22. Januar 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

22. Januar 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

18. Januar 2021

Zuletzt verifiziert

1. Januar 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 研2019-428

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

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 Netzhautstörung

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Jamaica

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren