El desarrollo de la plataforma de software de imágenes cuantitativas por ultrasonido
18 de abril de 2023 actualizado por: Seoul National University Bundang Hospital
El desarrollo de una plataforma de software de imágenes de ultrasonido cuantitativas y estructural-funcional de alto rendimiento basada en inteligencia artificial (IA)
El objetivo de este estudio observacional es comparar las diferencias de imagen entre el ultrasonido convencional y el software de ultrasonido basado en inteligencia artificial en adultos conscientes.
La pregunta principal que pretende responder es evaluar la efectividad determinando que el nuevo método de análisis de imágenes se considera válido si ayuda a identificar más del 30% de las características histológicas.
Los participantes se someterán al examen utilizando los dos métodos mencionados anteriormente después de firmar el formulario de consentimiento.
Descripción general del estudio
Estado
Inscripción por invitación
Tipo de estudio
De observación
Inscripción (Anticipado)
196
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Corea, república de, 13620
- Seoul National University Bundang Hospital
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Método de muestreo
Muestra no probabilística
Población de estudio
Una persona que visita el Hospital Bundang de la Universidad Nacional de Seúl para recibir tratamiento o consulta médica.
Descripción
Criterios de inclusión:
- Personas con enfermedades cardíacas, enfermedades de la tiroides, enfermedades de los senos y enfermedades del hígado.
Criterio de exclusión:
- Alguien que ha recibido cirugía en el órgano diana en cuestión.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Información cuantitativa de ultrasonido
Periodo de tiempo: 5 años
|
Imágenes cuantitativas de ultrasonido de enfermedades cardíacas, tiroideas y mamarias
|
5 años
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Publicaciones y enlaces útiles
La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.
Publicaciones Generales
- 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.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
1 de septiembre de 2020
Finalización primaria (Anticipado)
31 de marzo de 2026
Finalización del estudio (Anticipado)
31 de marzo de 2026
Fechas de registro del estudio
Enviado por primera vez
18 de abril de 2023
Primero enviado que cumplió con los criterios de control de calidad
18 de abril de 2023
Publicado por primera vez (Actual)
1 de mayo de 2023
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
1 de mayo de 2023
Última actualización enviada que cumplió con los criterios de control de calidad
18 de abril de 2023
Última verificación
1 de abril de 2023
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
- Enfermedades del Sistema Digestivo
- Isquemia
- Procesos Patológicos
- Necrosis
- Isquemia miocardica
- Enfermedades cardíacas
- Enfermedades cardiovasculares
- Enfermedades Vasculares
- Enfermedades de la piel
- Neoplasias
- Neoplasias por sitio
- Enfermedades del sistema endocrino
- Enfermedades del HIGADO
- Infarto de miocardio
- Infarto
- Neoplasias de mama
- Enfermedades de la tiroides
- Enfermedades de los senos
- Enfermedad fibroquística de la mama
Otros números de identificación del estudio
- B-1910-570-301
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .