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

SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis

29. Juni 2021 aktualisiert von: Peking University Third Hospital
This study intends to study the shoulder SLAP injury through deep learning technology and establish a deep learning model through the combination of axial and oblique coronal images to establish a deep learning method that can accurately identify and grade shoulder SLAP injury.

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

  1. Recognition of labrum images based on LeNet: axial and oblique coronal T2-fs images were used, and all images were corrected and standardized. LeNet identified the images with labrum of the shoulder joint, and the images with labrum structure of shoulder joint were selected from the complete sequence. In contrast, the images without labrum structure were deleted. All the data are divided into a training set (70%, 30% in training set as verification set), and the remaining 30% as a test set to evaluate the accuracy of model recognition. Enter the obtained results into the next step.
  2. Recognition and segmentation of glenoid lip of shoulder joint based on DenseNet: the labrum is recognized by DenseNet in the selected image. The labelimg software based on Python was used to locate the labrum coordinates and then input them into Python for recognition learning. All the data were divided into a training set (70% and 30% of the training set were selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the labrum structure, the labrum structure is locally cut and enlarged to remove the redundant information and improve the recognition efficiency and accuracy. Finally, input the result to the next step.
  3. Recognition and grading of shoulder SLAP injury based on 3D-CNN: recognition and grading of input data through 3D-CNN model. 3D-CNN is divided into eight layers: input layer, hard wire layer H1, convolution layer C2, downsampling layer S3, convolution layer C4, downsampling layer S5, convolution layer C6 and output layer. 3D-CNN constructs a cube by stacking multiple consecutive frames and then uses a 3D convolution kernel in the cube. Through this structure, the feature images in the convolution layer will be connected with multiple adjacent frames in the previous layer to realize the information acquisition of continuous images. Similarly, the data is divided into a training set (70%, and then 30% of the training set is selected as the verification set), and the remaining 30% is used as the test set to evaluate the classification accuracy to identify whether there is labrum injury and grade the image with injury.
  4. Establish CNN combined model: after establishing the model for the axial and oblique coronal view according to the above process (1-3), according to the output characteristics of the CNN classification model, predict the probability of different grades before the output results, and the output results are based on these probabilities to select the expression form of the maximum possible probability. Our combined model averages the probabilities of these different classifications, calculates the final prediction probability, and then obtains the final joint model. The test set of the third step (including the mixed data of axial and coronal images) was used to verify the joint model.

Studientyp

Beobachtungs

Einschreibung (Voraussichtlich)

800

Kontakte und Standorte

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

Studienkontakt

Studieren Sie die Kontaktsicherung

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

N/A

Studienberechtigte Geschlechter

Alle

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Collect and analyze patients who underwent shoulder MR examinations in the Department of Radiology, Peking University Third Hospital from September 2018 to September 2020.

Beschreibung

Inclusion Criteria:

  1. Without any treatment before imaging examination;
  2. MR of the shoulder joint was performed within 3 months before the operation and the image quality was good;
  3. Arthroscopic operation was performed in our hospital, and the operation records were complete.

Exclusion Criteria:

  1. History of shoulder surgery, tumor, or previous fracture;
  2. Unclear image, serious artifact, or incomplete clinical data.

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
Normal control group-Grade 0
Arthroscopic examination of the labrum was normal, and the labrum was intact without injury or tear.
Diagnosetest: Diagnositic test
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
Ligament injury -Grade 1
Arthroscopic examination of the shoulder showed labrum degeneration or injury, but no local or complete tear.
Diagnosetest: Diagnositic test
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
Ligament tear-Grade 2
Arthroscopy of the shoulder revealed partial or complete loss of labrum.
Diagnosetest: Diagnositic test
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
Zeitfenster: 2021.10.1-2022.7.1
The model of deep learning was obtained for diagnosis and grading of SLAP injury and compared with the radiologists of different stages.
2021.10.1-2022.7.1

Mitarbeiter und Ermittler

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

Sponsor

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 (Voraussichtlich)

1. Oktober 2021

Primärer Abschluss (Voraussichtlich)

1. Juni 2022

Studienabschluss (Voraussichtlich)

1. Juli 2022

Studienanmeldedaten

Zuerst eingereicht

29. Juni 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

29. Juni 2021

Zuerst gepostet (Tatsächlich)

7. Juli 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

7. 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

  • M2020458

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 Diagnositic test

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Jordan

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

3
Abonnieren