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

Forschung zur Acetabulum-Labrum-Verletzung basierend auf MR: Multi-Winkel-Deep-Learning-Modell

29. Juni 2021 aktualisiert von: Peking University Third Hospital
Der Zweck dieser Studie besteht darin, die MRT-Bilder von Acetabulum-Labrum-Verletzungen mit der Deep-Learning-Methode zu untersuchen und zu versuchen, ein Kombinationsmodell aus axialen und koronalen Serienbildern zu erstellen und mit der diagnostischen Genauigkeit von Radiologen zu vergleichen, um eine Deep-Learning-Methode zu etablieren genaue Identifizierung und Klassifizierung von Acetabulum-Labrum-Verletzungen.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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

Beobachtungs

Einschreibung (Tatsächlich)

1261

Kontakte und Standorte

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

Studienorte

  • China
    • Beijing
      • Beijing, Beijing, China, 010
        • Peking University Third Hospital

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

Nein

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Von September 2018 bis September 2020 wurde die MRT in der Abteilung für Radiologie, dem dritten Krankenhaus der Peking-Universität, durchgeführt.

Beschreibung

Einschlusskriterien:

  1. Ohne Behandlung vor der bildgebenden Untersuchung;
  2. MR des Hüftgelenks wurde innerhalb von drei Monaten vor der Operation durchgeführt und die Bildqualität war gut;
  3. In unserem Krankenhaus wurde eine arthroskopische Operation durchgeführt, und die Operationsaufzeichnungen waren vollständig.

Ausschlusskriterien:

  1. Anamnese einer Hüftoperation, eines Tumors oder einer früheren Fraktur;
  2. Unscharfes Bild, schwerwiegendes Artefakt oder unvollständige klinische Daten.

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

  • Beobachtungsmodelle: Fallkontrolle
  • Zeitperspektiven: Retrospektive

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Normale Kontrollgruppe – Grad 0
Die arthroskopische Untersuchung der Hüfte war normal, und das Labrum war ohne Verletzung oder Riss intakt.
Diagnosetest: Diagnosetest
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.
Diagnosetest: Diagnosetest
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.
Diagnosetest: Diagnosetest
Als Goldstandard wurden die Ergebnisse der Hüftarthroskopie und als Untersuchungsgegenstand die MRT-Untersuchung genommen.

Was misst die Studie?

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

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

Sponsor

Peking University Third Hospital

Ermittler

  • Studienstuhl: huishu Yuan, MD, Peking University Third 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)

1. Dezember 2020

Primärer Abschluss (Tatsächlich)

30. April 2021

Studienabschluss (Tatsächlich)

30. Mai 2021

Studienanmeldedaten

Zuerst eingereicht

29. Juni 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

29. Juni 2021

Zuerst gepostet (Tatsächlich)

2. Juli 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

2. Juli 2021

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

29. Juni 2021

Zuletzt verifiziert

1. Juni 2021

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • M2020459

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 Diagnosetest

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Turkmenistan

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren