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

Convolutional Neural Network zur Erkennung von zervikaler Myelomalazie

27. Mai 2021 aktualisiert von: Merve Damla Korkmaz, Istanbul University

Convolutional Neural Network for the Detection of Cervical Myelomalacia on Magnetic Resonance Imaging

Deep-Learning-Technologie wird zunehmend in der Wirbelsäulenchirurgie sowie in vielen medizinischen Bereichen eingesetzt. Es ist jedoch anzumerken, dass die meisten Studien zu diesem Thema in der Literatur mit Ausnahme der Halswirbelsäule durchgeführt wurden. In dieser Studie wollten wir die Wirksamkeit des Deep-Learning-Algorithmus bei der Diagnose der zervikalen Myelomalazie im Vergleich zu herkömmlichen Diagnosemethoden demonstrieren.

Künstliche neuronale Netze, eine Technik des maschinellen Lernens, werden zunehmend in mehreren Industrie- und Forschungsbereichen eingesetzt. Die Entwicklung von Recheneinheiten und die steigende Datenmenge führten zur Entwicklung neuer Methoden auf künstlichen neuronalen Netzen

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Zervikale Myelopathie (CM) ist eine häufige degenerative Erkrankung der Halswirbelsäule, die als Folge einer Kompression des Rückenmarks auftritt. Bei der Bewertung dieser Krankheit und der Bestimmung von Behandlungsoptionen sollten die Klinik des Patienten und die radiologischen Modalitäten gemeinsam bewertet werden.

Die aktuellen bildgebenden Verfahren für CM sind Röntgenaufnahmen, Computertomographie und Magnetresonanztomographie (MRT). Die MRT bei CM ist jedoch wertvoller bei der Beurteilung der Bandscheibe, des Rückenmarks und anderer Weichteile im Vergleich zu anderen bildgebenden Verfahren. Technologien der künstlichen Intelligenz, die auch in vielen Gesundheitsanwendungen wie der medizinischen Bildanalyse, der biologischen Signalanalyse usw. verwendet werden. In dieser Studie wollten wir die Wirksamkeit des Deep-Learning-Algorithmus bei der Diagnose der zervikalen Myelomalazie im Vergleich zu herkömmlichen Diagnosemethoden demonstrieren.

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

125

Kontakte und Standorte

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

Studienorte

  • Truthahn
    • Fatih
      • Istanbul, Fatih, Truthahn, 34093
        • Istanbul University

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

32 Jahre bis 77 Jahre (ERWACHSENE, OLDER_ADULT)

Akzeptiert gesunde Freiwillige

N/A

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Die Teilnehmer sind zwischen 30 und 80 Jahre alt und haben eine im MRT nachgewiesene zervikale Myelomalazie.

Beschreibung

Einschlusskriterien:

  • die Patienten mit klassischen zervikalen Myelomalazie-Symptomen wie Nackenschmerzen und Steifheit, Schwäche und Ungeschicklichkeit an den oberen Extremitäten oder Gangschwierigkeiten und radiologischen Befunden einer Wirbelsäulenkompression
  • 30-80 Jahre alt.

Ausschlusskriterien:

  • Patienten mit einer Vorgeschichte von Halswirbelsäulenoperationen und einer systemischen Erkrankung (rheumatologische oder neurale Erkrankung) .

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
zervikale Myelopathie
MR-Bilder von Patienten mit zervikaler Myelopathie
Diagnosetest: Faltungsneuronales Netzwerk
Convolutional Neural Networks, eine maschinelle Lerntechnik, werden zunehmend in mehreren Industrie- und Forschungsbereichen eingesetzt. Die Entwicklung von Recheneinheiten und die steigende Datenmenge führten zur Entwicklung neuer Methoden auf künstlichen neuronalen Netzen. Deep Learning (DL) ist ein mehrschichtiges neuronales Netzwerk, in dem die Merkmalsextraktion automatisch erfolgt. Es erweitert herkömmliche neuronale Netze, indem es der Netzarchitektur zwischen den Eingabe- und Ausgabeschichten weitere verborgene Schichten hinzufügt, um komplexere und nichtlineare Beziehungen zu modellieren.
normal
Normalschnitt des MRT von Patienten mit zervikaler Myelopathie
Diagnosetest: Faltungsneuronales Netzwerk
Convolutional Neural Networks, eine maschinelle Lerntechnik, werden zunehmend in mehreren Industrie- und Forschungsbereichen eingesetzt. Die Entwicklung von Recheneinheiten und die steigende Datenmenge führten zur Entwicklung neuer Methoden auf künstlichen neuronalen Netzen. Deep Learning (DL) ist ein mehrschichtiges neuronales Netzwerk, in dem die Merkmalsextraktion automatisch erfolgt. Es erweitert herkömmliche neuronale Netze, indem es der Netzarchitektur zwischen den Eingabe- und Ausgabeschichten weitere verborgene Schichten hinzufügt, um komplexere und nichtlineare Beziehungen zu modellieren.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Der Wert der Konfusionsmatrix-Genauigkeit für sagittale Ansichten
Zeitfenster: 1 Tag
Es ist ein spezifisches Tabellenlayout, das die Visualisierung der Leistung eines Algorithmus ermöglicht.
1 Tag
Der Wert der Konfusionsmatrix-Genauigkeit für axiale Ansichten
Zeitfenster: 1 Tag
Es ist ein spezifisches Tabellenlayout, das die Visualisierung der Leistung eines Algorithmus ermöglicht.
1 Tag

Mitarbeiter und Ermittler

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

Sponsor

Istanbul University

Ermittler

  • Hauptermittler: Hakan Yilmaz, Karabuk University, Faculty of Engineering
  • Hauptermittler: Murat Korkmaz, Istanbul University, Faculty of Medicine

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)

15. April 2021

Primärer Abschluss (TATSÄCHLICH)

22. April 2021

Studienabschluss (TATSÄCHLICH)

22. April 2021

Studienanmeldedaten

Zuerst eingereicht

11. März 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

11. März 2021

Zuerst gepostet (TATSÄCHLICH)

15. März 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (TATSÄCHLICH)

1. Juni 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

27. Mai 2021

Zuletzt verifiziert

1. Mai 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • KAEK/2020.07.129

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

JA

Beschreibung des IPD-Plans

Es kann nach der Veröffentlichung geteilt werden

IPD-Sharing-Zeitrahmen

nach Veröffentlichung

Art der unterstützenden IPD-Freigabeinformationen

  • STUDIENPROTOKOLL
  • SAFT
  • ICF

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 .

Abonnieren