Konvoluutiohermoverkko kohdunkaulan myelomalasian havaitsemiseen
Konvoluutiohermoverkko kohdunkaulan myelomalasian havaitsemiseen magneettikuvauksessa
Syväoppimisteknologiaa on käytetty yhä enemmän selkäkirurgiassa sekä monilla lääketieteen aloilla. On kuitenkin huomattu, että suurin osa tätä aihetta koskevista tutkimuksista kirjallisuudessa on tehty paitsi kohdunkaulan selkärangan osalta. Tässä tutkimuksessa pyrimme osoittamaan syväoppimisalgoritmin tehokkuutta kohdunkaulan myelomalasian diagnosoinnissa verrattuna perinteisiin diagnostisiin menetelmiin.
Keinotekoisia hermoverkkoja, koneoppimistekniikkaa, on käytetty yhä enemmän useilla teollisuuden ja tutkimuksen aloilla. Laskennallisten yksiköiden kehitys ja kasvava datamäärä johtivat uusien menetelmien kehittämiseen keinotekoisissa neuroverkoissa
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Kohdunkaulan myelopatia (CM) on yleinen kaularangan rappeuttava sairaus, joka ilmenee selkäytimen puristumisen seurauksena. Tätä sairautta arvioitaessa ja hoitovaihtoehtoja määritettäessä tulee arvioida yhdessä potilaan klinikka ja radiologiset tavat.
Nykyiset kuvantamismenetelmät CM:lle ovat tavalliset röntgenkuvaukset, tietokonetomografia ja magneettikuvaus (MRI). CM:n MRI on kuitenkin arvokkaampi levyn, selkäytimen ja muiden pehmytkudosten arvioinnissa muihin kuvantamismenetelmiin verrattuna. Tekoälyteknologiaa käytetään myös monissa terveyssovelluksissa, kuten lääketieteellisessä kuva-analyysissä, biologisessa signaalianalyysissä jne. Tässä tutkimuksessa pyrimme osoittamaan syväoppimisalgoritmin tehokkuutta kohdunkaulan myelomalasian diagnosoinnissa verrattuna perinteisiin diagnostisiin menetelmiin.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Fatih
-
Istanbul, Fatih, Turkki, 34093
- Istanbul University
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- potilaat, joilla on klassisia kohdunkaulan myelomalasian oireita, kuten niskakipu ja jäykkyys, heikkous ja kömpelyys yläraajoissa tai kävelyvaikeudet ja radiologiset löydökset selkärangan kompressiosta
- 30-80 vuoden iässä.
Poissulkemiskriteerit:
- Potilaat, joilla on aiemmin ollut kohdunkaulan selkäleikkaus ja joilla on systemaattinen sairaus (reumatologinen tai hermostosairaus).
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
kohdunkaulan myelopatia
MR-kuvat potilaista, joilla on kohdunkaulan myelopatia
|
Konvoluutiohermoverkkoja, koneoppimistekniikkaa, on käytetty yhä enemmän useilla teollisuuden ja tutkimuksen aloilla.
Laskennallisten yksiköiden kehitys ja tiedon lisääntyminen johtivat uusien menetelmien kehittämiseen keinotekoisissa neuroverkoissa.
Deep learning (DL) on monikerroksinen hermoverkko, jossa piirteiden purkaminen tapahtuu automaattisesti.
Se laajentaa perinteisiä hermoverkkoja lisäämällä enemmän piilotettuja kerroksia verkkoarkkitehtuuriin tulo- ja lähtökerrosten välillä monimutkaisempien ja epälineaaristen suhteiden mallintamiseksi.
|
|
normaali
kohdunkaulan myelopatiaa sairastavien potilaiden magneettikuvauksen normaali osa
|
Konvoluutiohermoverkkoja, koneoppimistekniikkaa, on käytetty yhä enemmän useilla teollisuuden ja tutkimuksen aloilla.
Laskennallisten yksiköiden kehitys ja tiedon lisääntyminen johtivat uusien menetelmien kehittämiseen keinotekoisissa neuroverkoissa.
Deep learning (DL) on monikerroksinen hermoverkko, jossa piirteiden purkaminen tapahtuu automaattisesti.
Se laajentaa perinteisiä hermoverkkoja lisäämällä enemmän piilotettuja kerroksia verkkoarkkitehtuuriin tulo- ja lähtökerrosten välillä monimutkaisempien ja epälineaaristen suhteiden mallintamiseksi.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Sekaannusmatriisin tarkkuuden arvo sagitaalisissa näkymissä
Aikaikkuna: 1 päivä
|
Se on erityinen taulukkoasettelu, joka mahdollistaa algoritmin suorituskyvyn visualisoinnin.
|
1 päivä
|
|
Sekaannusmatriisin tarkkuuden arvo aksiaalisille näkymille
Aikaikkuna: 1 päivä
|
Se on erityinen taulukkoasettelu, joka mahdollistaa algoritmin suorituskyvyn visualisoinnin.
|
1 päivä
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Hakan Yilmaz, Karabuk University, Faculty of Engineering
- Päätutkija: Murat Korkmaz, Istanbul University, Faculty of Medicine
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (TODELLINEN)
Ensisijainen valmistuminen (TODELLINEN)
Opintojen valmistuminen (TODELLINEN)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (TODELLINEN)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (TODELLINEN)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- KAEK/2020.07.129
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- ICF
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .