Uusi tekniikka verkkokalvosairauksien hoitoon
maanantai 18. tammikuuta 2021 päivittänyt: Second Affiliated Hospital, School of Medicine, Zhejiang University
Älykkään diagnoosin ja automaattisen vaurioseurannan tutkimus verkkokalvon sairauksien täsmälliseen hoitoon syväoppimisen perusteella
Tarkkuuslääketieteen aikakauden tultua FFA-kuvaan perustuvaan syväoppimiseen silmänpohjavaurioiden alueen tunnistamiseksi, silmänpohjakuvien rekisteröinnille silmänpohjasairauksien vakavuuden mukaan optimaalisen laserenergian ja -reitin suunnittelemiseksi, silmänpohjan tarkkaan hoitoon. sairauksilla on kiireellisiä kliinisiä tarpeita ja erittäin tärkeä merkitys
Tutkimuksen yleiskatsaus
Tila
Rekrytointi
Ehdot
Yksityiskohtainen kuvaus
- Strukturoitu DR-kuvatietokanta Rakenne ja tarkka huomautus: retrospektiivinen (1. tammikuuta 2016 eettisen tarkastelun päivään) ja tulevaisuuden (eettisen tarkastelun päivästä 31. joulukuuta 2023) kerätty FFA- ja muu multimodaalinen kuvadata. Useat silmälääkärit ja silmänpohjasairauksien johtavat asiantuntijat tekivät diagnostisen arvioinnin kunkin potilaan jokaisesta kuvasta ja suorittivat tietojen tarkan luokitusdiagnoosin. Lopuksi strukturoitu Dr-tietokanta luotiin vaihe vaiheelta. Tässä artikkelissa käytetään tietokonenäön teoriaa FFA-kuvan laadun vääristymisen kvantifiointiin, opastaa tietokonetta konfiguroimaan nykyiset kuvanparannus- ja kohinanvaimennusalgoritmit mukautuvasti ja viimeistelee silmänpohjakuvatietojen esikäsittelyn.
- Älykkään silmänpohjakuvaan perustuvan luokitusjärjestelmän rakentaminen: ensinnäkin silmänpohjakuvaa käytetään silmänpohjan koulutustietokantana, ja kansainvälisen kliinisen Dr-arviointistandardin mukaan monet lääkärit merkitsevät silmänpohjakuvan tarkasti. Kansainväliset kliinisen tohtorin arviointiperusteet: luokka 0, ei selviä verkkokalvon poikkeavuuksia; luokka 1, vain mikroangiooma; aste 2, vakavampi kuin mikroangiooma, mutta vähemmän vakava kuin vakava; luokka 3, neljä kvadranttia, jokaisessa kvadrantissa on yli 20 verkkokalvon verenvuotoa, yli kahdessa neljänneksessä on selvät laskimohelmet, useammassa kuin yhdessä neljänneksessä on ilmeinen Irma, ei merkkejä proliferatiivisesta retinopatiasta; luokka 4, uudissuonittuminen, lasiaisen verenvuoto Veren määrä, verkkokalvon verenvuoto. Dr Grading älykkään diagnoosistandardin perusteella konvoluutiohermoverkko rakennetaan silmänpohjakuvien kouluttamiseksi ja arvostelemiseksi. Toistettuaan tämän prosessin monta kertaa jokaiselle silmänpohjakuvien harjoitussarjan kuvalle, syväoppimisjärjestelmä oppii luokittelemaan kaikki harjoitussarjan tiedot silmänpohjakuvien tarkan diagnoosin varmistamiseksi.
- Konvoluutiohermoverkon rakentaminen FFA-kuvan fokusalueelle: syväoppimisen konvoluutiohermoverkko koostuu miljoonista parametreista, joilla harjoitellaan ja suoritetaan annettuja tehtäviä. Kunkin lineaarisen konvoluutiooperaation tuottama tulos tasataan epälineaarisella aktivointifunktiolla yhdistettynä poolauskerroksen ja täyden yhteyskerroksen mittasuhteiden pienentämiseen, jotta syvän hermoverkon optimointiprosessi ei vain voita gradienttidispersiota, vaan auttaa myös luomaan ominaisuuksia. samanlainen kuin ihmisen hermosolujen hierarkkinen havaintomekanismi visuaalisten signaalien suhteen. FFA-kuvaa käytetään silmänpohjan koulutustietokantana. Leesioalueen tarkan merkinnän (ei perfuusioaluetta, mikroangiooma-aluetta ja vuotoaluetta) perusteella FFA-kuvaa on käsiteltävä leesioalueen älykkään tunnistamiseksi. Koulutusprosessissa neuroverkon parametrit asetetaan aluksi satunnaisiin arvoihin. Sitten kunkin kuvan kohdalla funktion antamia tuloksia verrataan opetusjoukon tunnettuihin tuloksiin funktion parametrien optimoimiseksi. Toistettuaan tämän prosessin monta kertaa jokaiselle harjoitustietojoukon kuvalle, syväoppimisjärjestelmä oppi luokittelemaan kaikki harjoitusjoukon tiedot ennustaakseen tarkasti Dr-leesiot FFA-kuvissa.
- Älykkään silmänpohjan lasernavigointimallin rakentaminen FFA-kuvaan ja silmänpohjakuvan rekisteröintiin: Dr-leesion älykäs tunnistusjärjestelmä yllä olevassa FFA-kuvassa tunnistaa tarkasti silmänpohjan laserhoitoa tarvitsevat alueet, auttaa lääkäreitä määrittämään hoidettavat leesiot ja koneoppimisen kuvasovituksesta tarjoaa silmänpohjakuvan ja FFA-yhdistelmän rekisteröintikuvan, joka asetetaan leesioalueen sijainnin ja kokotietojen mukaan verkkokalvon yhteensopivuuden halkaisijan ja eri laserpisteiden sijoittelun mukaan, personoitu laser muotoillaan hoitosuunnitelma ja rakennetaan älykäs silmänpohjalaserhoidon ohjausmalli.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
2000
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Jin Kai, MD
- Puhelinnumero: 13646828461
- Sähköposti: jinkai@zju.edu.cn
Opiskelupaikat
-
-
Zhejiang
-
Hanzhou, Zhejiang, Kiina
- Rekrytointi
- The Second Affiliated Hospital of Zhejiang University
-
Ottaa yhteyttä:
- Jin Kai, MD
- Puhelinnumero: 13646828461
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
potilaille tehdään verkkokalvon tutkimus silmäkeskuksessa Zhejiangin yliopiston toisessa liitännäissairaalassa
Kuvaus
Sisällyttämiskriteerit:
- potilailla, joilla on verkkokalvon sairauksia
Poissulkemiskriteerit:
- muita sairauksia sairastavat potilaat vaikuttavat verkkokalvon tutkimiseen
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
potilaita
potilailla, joilla on verkkokalvon sairauksia
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
tekoäly
Aikaikkuna: 2016.01.-2023.12
|
käyttää dataa syväoppimismallien kehittämiseen
|
2016.01.-2023.12
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Tutkijat
- Päätutkija: Jin Kai, MD, Zhejiang University
- Päätutkija: Xu Yufeng, MD, Zhejiang University
- Päätutkija: Lou Lixia, MD, Zhejiang University
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Perjantai 1. tammikuuta 2016
Ensisijainen valmistuminen (Odotettu)
Sunnuntai 1. tammikuuta 2023
Opintojen valmistuminen (Odotettu)
Sunnuntai 31. joulukuuta 2023
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 18. tammikuuta 2021
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Maanantai 18. tammikuuta 2021
Ensimmäinen Lähetetty (Todellinen)
Perjantai 22. tammikuuta 2021
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Perjantai 22. tammikuuta 2021
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 18. tammikuuta 2021
Viimeksi vahvistettu
Perjantai 1. tammikuuta 2021
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 研2019-428
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .