Algoritmos de reconstrucción de aprendizaje profundo en CTA dual de dosis baja
16 de abril de 2024 actualizado por: Hao Tang
Evaluación de algoritmos de reconstrucción de aprendizaje profundo en imágenes vasculares por TC dual de dosis baja
El objetivo de este estudio observacional es evaluar el impacto de la reconstrucción de imágenes con aprendizaje profundo en la calidad de la imagen y el rendimiento diagnóstico de la ATC doble de dosis baja.
La principal pregunta a la que pretende responder es explorar la viabilidad de la reconstrucción de imágenes mediante aprendizaje profundo en doble ATC de dosis baja.
Descripción general del estudio
Estado
Reclutamiento
Condiciones
Intervención / Tratamiento
Descripción detallada
- Se incluyeron los datos brutos de pacientes sometidos a ATC de cabeza y cuello, ATC coronaria y ATC abdominal tanto en el grupo de dosis estándar como en el de dosis baja doble.
- Se realizaron técnicas como retroproyección filtrada, reconstrucción iterativa y reconstrucción de aprendizaje profundo.
- Se evaluó la viabilidad de la reconstrucción con aprendizaje profundo en doble ATC de dosis baja en función de la calidad de la imagen y el rendimiento del diagnóstico.
Tipo de estudio
De observación
Inscripción (Estimado)
1200
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.
Estudio Contacto
- Nombre: Youfa M Tang, Doctor
- Número de teléfono: 8613554101223
- Correo electrónico: 1525573397@qq.com
Copia de seguridad de contactos de estudio
- Nombre: Tan, Doctor
- Número de teléfono: 86 159 2631 4149
- Correo electrónico: 1655118783@qq.com
Ubicaciones de estudio
-
-
Hubei
-
Wuhan, Hubei, Porcelana, 430000
- Reclutamiento
- Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
-
Contacto:
- Youfa M Tang
- Número de teléfono: +8613554101223
- Correo electrónico: 1525573397@qq.com
-
-
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
Sí
Método de muestreo
Muestra de probabilidad
Población de estudio
Adultos sanos o enfermos sometidos a imágenes vasculares por TC
Descripción
Criterios de inclusión:
- Pacientes con ATC de cabeza y cuello, ATC de arteria coronaria y ATC abdominal debido a accidente cerebrovascular, enfermedad coronaria y enfermedad inflamatoria abdominal, y tumores abdominales.
Criterio de exclusión:
- Edad <18 años, embarazo, reacción alérgica al agente de contraste yodado, insuficiencia renal e hipertiroidismo grave.
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
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Grupo de dosis estándar
Se incluyeron datos brutos de 400 pacientes con ATC de cabeza y cuello con dosis convencionales, ATC coronaria y ATC abdominal.
Se realizaron retroproyección filtrada, iteración y reconstrucción de aprendizaje profundo.
Evaluar el impacto de la reconstrucción con aprendizaje profundo en la calidad de la imagen y el rendimiento diagnóstico en pacientes con ATC de dosis convencional.
|
La reconstrucción de imágenes de aprendizaje profundo (DLIR) es un algoritmo de reducción de ruido de inteligencia artificial desarrollado recientemente en los últimos años.
Entrena conjuntos de datos FBP masivos de alta calidad para aprender a distinguir el ruido y la señal, a fin de reducir selectivamente el ruido y reconstruir imágenes de alta calidad con datos de imagen de baja calidad.
|
|
Grupo de doble dosis baja
Se incluyeron datos brutos de 800 pacientes con ATC de cabeza y cuello, ATC coronaria y ATC abdominal con bajo voltaje del tubo y medio de contraste.
Se realizaron retroproyección filtrada, iteración y reconstrucción de aprendizaje profundo.
Evaluar el impacto de la reconstrucción del aprendizaje profundo en la calidad de la imagen y el rendimiento diagnóstico en pacientes con ATC de dosis doble baja.
|
La reconstrucción de imágenes de aprendizaje profundo (DLIR) es un algoritmo de reducción de ruido de inteligencia artificial desarrollado recientemente en los últimos años.
Entrena conjuntos de datos FBP masivos de alta calidad para aprender a distinguir el ruido y la señal, a fin de reducir selectivamente el ruido y reconstruir imágenes de alta calidad con datos de imagen de baja calidad.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
La especificidad y sensibilidad calculadas a través del valor de corte óptimo de la curva característica operativa del receptor.
Periodo de tiempo: 2026.1
|
La especificidad y la sensibilidad se calcularon por separado para el grupo de dosis estándar y el grupo de dosis baja doble utilizando el valor de corte óptimo de la curva característica operativa del receptor, con el fin de comparar la precisión diagnóstica entre los dos grupos.
|
2026.1
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
La relación señal-ruido calculada a partir de los valores de CT de la imagen y el ruido.
Periodo de tiempo: 2026.1
|
La relación señal-ruido se calculó por separado para el grupo de dosis estándar y el grupo de dosis baja doble utilizando valores de TC de imagen y ruido, para evaluar la calidad de la imagen entre los dos grupos.
|
2026.1
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Investigadores
- Investigador principal: Hao Tang, Doctor, Tongji Hospital
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 junio de 2023
Finalización primaria (Estimado)
1 de diciembre de 2025
Finalización del estudio (Estimado)
1 de marzo de 2026
Fechas de registro del estudio
Enviado por primera vez
11 de abril de 2024
Primero enviado que cumplió con los criterios de control de calidad
16 de abril de 2024
Publicado por primera vez (Actual)
18 de abril de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
18 de abril de 2024
Última actualización enviada que cumplió con los criterios de control de calidad
16 de abril de 2024
Última verificación
1 de abril de 2024
Más información
Términos relacionados con este estudio
Otros números de identificación del estudio
- 102122
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Descripción del plan IPD
Para proteger la privacidad de los participantes, los datos relevantes no se comparten hasta el consentimiento de los participantes.
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. .