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

Deep-Learning-Rekonstruktionsalgorithmen in dualer CTA mit niedriger Dosis

16. April 2024 aktualisiert von: Hao Tang

Evaluierung von Deep-Learning-Rekonstruktionsalgorithmen in der dualen Niedrigdosis-CT-Gefäßbildgebung

Das Ziel dieser Beobachtungsstudie besteht darin, den Einfluss der Deep-Learning-Bildrekonstruktion auf die Bildqualität und die diagnostische Leistung der doppelten CTA mit niedriger Dosis zu bewerten. Die Hauptfrage, die beantwortet werden soll, besteht darin, die Machbarkeit einer Deep-Learning-Bildrekonstruktion bei doppelter CTA mit niedriger Dosis zu untersuchen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

  1. Einbezogen wurden die Rohdaten von Patienten, die sich einer Kopf-Hals-CTA, Koronar-CTA und Abdomen-CTA sowohl in der Standarddosis-Gruppe als auch in der Gruppe mit doppelter niedriger Dosis unterzogen hatten.
  2. Techniken wie gefilterte Rückprojektion, iterative Rekonstruktion und Deep-Learning-Rekonstruktion wurden durchgeführt.
  3. Die Machbarkeit einer Deep-Learning-Rekonstruktion bei doppelter CTA mit niedriger Dosis wurde anhand der Bildqualität und der diagnostischen Leistung bewertet.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

1200

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
    • Hubei
      • Wuhan, Hubei, China, 430000
        • Rekrutierung
        • Tongji Hospital Affiliated to Tongji Medical College of Huazhong University of Science and Technology
        • Kontakt:

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

Ja

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Gesunde oder erkrankte Erwachsene, die sich einer CT-Gefäßbildgebung unterziehen

Beschreibung

Einschlusskriterien:

  • Patienten mit Kopf-Hals-CTA, Koronararterien-CTA und Abdomen-CTA aufgrund eines Schlaganfalls, einer koronaren Herzkrankheit und einer entzündlichen Erkrankung des Abdomens sowie Abdominaltumoren.

Ausschlusskriterien:

  • Alter <18 Jahre, Schwangerschaft, allergische Reaktion auf Jodkontrastmittel, Niereninsuffizienz und schwere Hyperthyreose.

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
Standarddosisgruppe
Es wurden Rohdaten von 400 Patienten mit konventioneller Dosis Kopf-Hals-CTA, Koronar-CTA und Abdomen-CTA einbezogen. Es wurden gefilterte Rückprojektion, Iteration und Deep-Learning-Rekonstruktion durchgeführt. Um die Auswirkungen der Deep-Learning-Rekonstruktion auf die Bildqualität und die diagnostische Leistung bei Patienten mit konventioneller CTA-Dosis zu bewerten.
Diagnosetest: Deep-Learning-Bildrekonstruktion
Deep-Learning-Bildrekonstruktion (DLIR) ist ein in den letzten Jahren neu entwickelter Algorithmus zur Rauschunterdrückung künstlicher Intelligenz. Es trainiert riesige FBP-Datensätze hoher Qualität, um zu lernen, Rauschen und Signal zu unterscheiden, um Rauschen selektiv zu reduzieren und qualitativ hochwertige Bilder mit Bilddaten geringer Qualität zu rekonstruieren.
Doppelte Gruppe mit niedriger Dosis
Es wurden Rohdaten von 800 Patienten mit niedriger Röhrenspannung und Kontrastmittel im Kopf-Hals-CTA, Koronar-CTA und Abdomen-CTA einbezogen. Es wurden gefilterte Rückprojektion, Iteration und Deep-Learning-Rekonstruktion durchgeführt. Bewertung der Auswirkungen der Deep-Learning-Rekonstruktion auf die Bildqualität und die diagnostische Leistung bei Patienten mit doppelter CTA mit niedriger Dosis.
Diagnosetest: Deep-Learning-Bildrekonstruktion
Deep-Learning-Bildrekonstruktion (DLIR) ist ein in den letzten Jahren neu entwickelter Algorithmus zur Rauschunterdrückung künstlicher Intelligenz. Es trainiert riesige FBP-Datensätze hoher Qualität, um zu lernen, Rauschen und Signal zu unterscheiden, um Rauschen selektiv zu reduzieren und qualitativ hochwertige Bilder mit Bilddaten geringer Qualität zu rekonstruieren.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Die Spezifität und Empfindlichkeit werden anhand des optimalen Grenzwerts der Betriebskennlinie des Empfängers berechnet.
Zeitfenster: 2026.1
Spezifität und Sensitivität wurden für die Standarddosisgruppe und die Gruppe mit doppelter niedriger Dosis separat berechnet, wobei der optimale Cutoff-Wert aus der Betriebskennlinie des Empfängers verwendet wurde, um die diagnostische Genauigkeit zwischen den beiden Gruppen zu vergleichen.
2026.1

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Das Signal-Rausch-Verhältnis wird aus Bild-CT-Werten und Rauschen berechnet
Zeitfenster: 2026.1
Das Signal-Rausch-Verhältnis wurde für die Standarddosisgruppe und die Doppel-Niedrigdosisgruppe anhand von Bild-CT-Werten und Rauschen separat berechnet, um die Bildqualität zwischen den beiden Gruppen zu beurteilen.
2026.1

Mitarbeiter und Ermittler

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

Sponsor

Hao Tang

Ermittler

  • Hauptermittler: Hao Tang, Doctor, Tongji 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. Juni 2023

Primärer Abschluss (Geschätzt)

1. Dezember 2025

Studienabschluss (Geschätzt)

1. März 2026

Studienanmeldedaten

Zuerst eingereicht

11. April 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

16. April 2024

Zuerst gepostet (Tatsächlich)

18. April 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

18. April 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

16. April 2024

Zuletzt verifiziert

1. April 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • 102122

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Um die Privatsphäre der Teilnehmer zu schützen, werden die relevanten Daten erst mit der Einwilligung der Teilnehmer weitergegeben

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 Tiefes Lernen

Klinische Studien zur Deep-Learning-Bildrekonstruktion

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Ireland

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren