Die Entwicklung einer Softwareplattform für quantitative Ultraschallbildgebung
18. April 2023 aktualisiert von: Seoul National University Bundang Hospital
Die Entwicklung einer auf künstlicher Intelligenz (KI) basierenden Hochleistungssoftwareplattform für strukturell-funktionale und quantitative Ultraschallbildgebung
Das Ziel dieser Beobachtungsstudie ist es, die Bildunterschiede zwischen herkömmlichem Ultraschall und auf künstlicher Intelligenz basierender Ultraschallsoftware bei wachen Erwachsenen zu vergleichen.
Die Hauptfrage, die es beantworten soll, ist die Bewertung der Wirksamkeit, indem festgestellt wird, dass die neue Bildanalysemethode als gültig angesehen wird, wenn sie hilft, mehr als 30 % der histologischen Merkmale zu identifizieren.
Die Teilnehmer werden nach Unterzeichnung der Einverständniserklärung mit den beiden zuvor genannten Methoden untersucht.
Studienübersicht
Status
Anmeldung auf Einladung
Studientyp
Beobachtungs
Einschreibung (Voraussichtlich)
196
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Korea, Republik von, 13620
- Seoul National University Bundang 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
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Eine Person, die das Seoul National University Bundang Hospital zur medizinischen Behandlung oder Beratung aufsucht.
Beschreibung
Einschlusskriterien:
- Menschen mit Herzerkrankungen, Schilddrüsenerkrankungen, Brusterkrankungen und Lebererkrankungen.
Ausschlusskriterien:
- Jemand, der am betreffenden Zielorgan operiert wurde.
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Quantitative Ultraschallinformationen
Zeitfenster: 5 Jahre
|
Quantitative Ultraschallbilder von Herz-, Schilddrüsen- und Brusterkrankungen
|
5 Jahre
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
Allgemeine Veröffentlichungen
- Cheng PM, Malhi HS. Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images. J Digit Imaging. 2017 Apr;30(2):234-243. doi: 10.1007/s10278-016-9929-2.
- Chi J, Walia E, Babyn P, Wang J, Groot G, Eramian M. Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network. J Digit Imaging. 2017 Aug;30(4):477-486. doi: 10.1007/s10278-017-9997-y.
- F. Milletari, N. Navab and S. -A. Ahmadi. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV), Stanford, CA, USA. 2016; 565-571.
- Ma J, Wu F, Jiang T, Zhu J, Kong D. Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images. Med Phys. 2017 May;44(5):1678-1691. doi: 10.1002/mp.12134. Epub 2017 Apr 17.
- Chen H, Zheng Y, Park JH, Heng PA, Zhou SK. (2016). Iterative Multi-domain Regularized Deep Learning for Anatomical Structure Detection and Segmentation from Ultrasound Images. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016. 2016; 9901.
- Lekadir K, Galimzianova A, Betriu A, Del Mar Vila M, Igual L, Rubin DL, Fernandez E, Radeva P, Napel S. A Convolutional Neural Network for Automatic Characterization of Plaque Composition in Carotid Ultrasound. IEEE J Biomed Health Inform. 2017 Jan;21(1):48-55. doi: 10.1109/JBHI.2016.2631401. Epub 2016 Nov 22.
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. September 2020
Primärer Abschluss (Voraussichtlich)
31. März 2026
Studienabschluss (Voraussichtlich)
31. März 2026
Studienanmeldedaten
Zuerst eingereicht
18. April 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
18. April 2023
Zuerst gepostet (Tatsächlich)
1. Mai 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
1. Mai 2023
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
18. April 2023
Zuletzt verifiziert
1. April 2023
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
- Erkrankungen des Verdauungssystems
- Ischämie
- Pathologische Prozesse
- Nekrose
- Myokardischämie
- Herzkrankheiten
- Herz-Kreislauf-Erkrankungen
- Gefäßerkrankungen
- Hautkrankheiten
- Neubildungen
- Neubildungen nach Standort
- Erkrankungen des endokrinen Systems
- Leberkrankheiten
- Herzinfarkt
- Infarkt
- Neoplasien der Brust
- Schilddrüsenerkrankungen
- Brusterkrankungen
- Fibrozystische Brusterkrankung
Andere Studien-ID-Nummern
- B-1910-570-301
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 .