Deep Learning of Anterior Talofibular Ligament: Comparison of Different Models
tiistai 29. kesäkuuta 2021 päivittänyt: Peking University Third Hospital
The purpose of this study is to study the injury of the anterior talofibular ligament by deep learning method and compare a variety of different deep learning models to establish a deep learning method that can accurately identify and grade the injury of anterior talofibular ligament, and obtain a model with better recognition and grading effect.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
- Recognition and segmentation of anterior talofibular ligament based on DenseNet. Densenet was used to recognize the axial T2-fs image, and the image level was the most typical one. The labelimg program based on Python was used to locate the coordinates of the anterior talofibular ligament and then imported into Python for learning. All the data were divided into a training set (70%, and then 30% of the training set was selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the anterior talofibular ligament, the local clipping and amplification are carried out to remove the redundant information. Finally, input the result to the next step.
- Establishment and comparison of various deep learning models: four deep learning models were established and compared in this study, namely VGG19, AlexNet, CapsNet, and GoogleNet. The models using image fitting alone and those combining with clinical physical examination data were compared for each deep learning model. The diagnostic efficiency between models was expressed by the ROC curve, including AUC, F1 score, etc. the ROC curve was further analyzed by t-test, Delong test, and other statistical methods. In this study, the data were divided into a training set (70%, 30% in the training set as the validation set), and the remaining 30% as the test set to evaluate the classification accuracy.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
1000
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: huishu Yuan, MD
- Puhelinnumero: 15810245738
- Sähköposti: huishuy@bjmu.edu.cn
Tutki yhteystietojen varmuuskopiointi
- Nimi: Ming Ni, MD
- Puhelinnumero: 13884794867
- Sähköposti: sdyingxiang2017@163.com
Opiskelupaikat
-
-
Beijing
-
Beijing, Beijing, Kiina, 010
- Rekrytointi
- Peking University Third Hospital
-
Ottaa yhteyttä:
- Huishu Yuan, Dr
- Sähköposti: huishuy@bjmu.edu.cn
-
-
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
Ei-todennäköisyysnäyte
Tutkimusväestö
From September 2018 to September 2020, patients underwent ankle MRI examination in the Department of Radiology, the Third Hospital of Peking University.
Kuvaus
Inclusion Criteria:
- Without any treatment before imaging examination;
- MR of ankle joint was performed within 3 months before operation and the image quality was good;
- Arthroscopic operation was performed in our hospital and the operation records were complete.
Exclusion Criteria:
- history of ankle surgery, history of cancer or previous fractures.
- Unclear image, serious artifact or incomplete clinical data.
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 |
Interventio / Hoito |
|---|---|
|
Normal control group-Grade 0
Arthroscopic examination of the ankle joint was normal, and the ligament was intact without injury or tear.
|
The results of hip arthroscopy were taken as the gold standard, and MRI examination was taken as the research object
|
|
Ligament injury -Grade 1
Arthroscopic examination of the ankle joint showed ligament degeneration or injury, but no local or complete tear.
|
The results of hip arthroscopy were taken as the gold standard, and MRI examination was taken as the research object
|
|
Ligament tear-Grade 2
Arthroscopy of the ankle joint revealed partial or complete loss of ligaments.
|
The results of hip arthroscopy were taken as the gold standard, and MRI examination was taken as the research object
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Deep Learning of Anterior Talofibular Ligament: Comparison of Different Models
Aikaikkuna: 2021.1-2022.3.1
|
The model of deep learning was obtained for diagnosis and grading of anterior fibular ligament and compared with the doctors of different grades.
|
2021.1-2022.3.1
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Tutkijat
- Opintojen puheenjohtaja: huishu Yuan, MD, Peking University Third Hospital
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 2021
Ensisijainen valmistuminen (Odotettu)
Torstai 30. joulukuuta 2021
Opintojen valmistuminen (Odotettu)
Keskiviikko 30. maaliskuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 28. kesäkuuta 2021
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Tiistai 29. kesäkuuta 2021
Ensimmäinen Lähetetty (Todellinen)
Torstai 8. heinäkuuta 2021
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 8. heinäkuuta 2021
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Tiistai 29. kesäkuuta 2021
Viimeksi vahvistettu
Tiistai 1. kesäkuuta 2021
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- M2020460
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 .