Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Multimodal Imaging-assisted Diagnosis Model for Cervical Spine Tumors

sunnuntai 4. heinäkuuta 2021 päivittänyt: Peking University Third Hospital

Based on a Small Sample Deep Learning Multi-modal Image-assisted Diagnosis Model of Cervical Spine Tumors Clinical Application Research

Cervical spine tumor is a small sample of tumor disease with low incidence, great harm, and complex anatomical structure. It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.

The deep learning model we constructed in the early stage has a higher accuracy rate for the image diagnosis of cervical spondylosis with a large number of cases, and a better clinical application effect, but the accuracy rate for cervical spine tumors with a small number of cases is lower. The reason may be the amount of data. With limited tasks, the traditional deep learning model is difficult to play an effective role.

Based on this, we propose to build a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors with multimodal images, and to evaluate the benign and malignant tumors.

Tutkimuksen yleiskatsaus

Tila

Valmis

Ehdot

Yksityiskohtainen kuvaus

Cervical spine tumor is a small-sample tumor disease with low incidence, great harm, and complex anatomical structure. It is very difficult to identify and classify benign and malignant cervical spine tumors clinically. The deep learning model we constructed in the early stage is suitable for the large number of cases. The imaging diagnosis of cervical spondylosis has a high accuracy rate and a good clinical application effect, but the accuracy rate is low for cervical spine tumors with a small number of cases. The reason may be that for tasks with limited amount of data, the traditional deep learning model is difficult to play an effective role. Based on this, we propose to construct a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors in multi-modal imaging, and to evaluate the benign and malignant tumors. This research will not only improve the efficiency and efficiency of cervical spine tumor imaging diagnosis. Accuracy, to guide clinical personalized treatment, will also provide a basis for the clinical application of deep learning in the field of small samples, which has important clinical significance.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

600

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Kiina
      • Beijing, Kiina
        • Peking University Third Hospital

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

18 vuotta - 50 vuotta (Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Inclusion criteria: clinically suspected cervical spine tumors, multi-modality (X-ray, CT, MR) imaging, followed by needle biopsy or surgery to confirm the tumor, and pathology report. Exclusion criteria: surgery or radiotherapy before imaging, cervical spine Those who have fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed an informed consent.

Kuvaus

Inclusion Criteria:

  • 18-50 years old, about 300 males and females; in the orthopedics outpatient and emergency department of our hospital, the imaging scans (X-ray, CT, MR) showed no obvious abnormalities.

Exclusion Criteria:

  • have had surgery before acquiring the images, Those who have cervical spine fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed the informed consent. The normal control group" includes about 600 patients with normal or slightly degenerated cervical spine, as a standard for training computers to recognize cervical spine structures Images and control images for detecting tumor lesions.

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
X-ray
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions. On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT). For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions. The label on the lateral X-ray image.
CT
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions. On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT). For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions. The label on the lateral X-ray image.
MRI
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions. On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT). For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions. The label on the lateral X-ray image.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
tumor detection
Aikaikkuna: 2022-2023
On the basis of the cervical spine structure, it is the modeling of the tumor. The model based on weakly supervised learning recognizes the morphological features such as the size of the tumor lesion, and uses the fast-adapted meta-learning method to achieve a fast model under a small amount of training. Optimize, and finally evaluate the benignity, borderline and malignant probability of the tumor and use it as an output.
2022-2023

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
cervical spine detection
Aikaikkuna: 2022-2023
Taking the postoperative pathology report of cancer patients as the audit standard, testing the sensitivity and accuracy of the model, and integrating it into a complete deep learning model.
2022-2023

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Peking University Third Hospital

Tutkijat

  • Opintojen puheenjohtaja: hanqiang ouyang, 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)

Keskiviikko 1. tammikuuta 2020

Ensisijainen valmistuminen (Todellinen)

Maanantai 1. kesäkuuta 2020

Opintojen valmistuminen (Todellinen)

Tiistai 1. kesäkuuta 2021

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Sunnuntai 4. heinäkuuta 2021

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Sunnuntai 4. heinäkuuta 2021

Ensimmäinen Lähetetty (Todellinen)

Tiistai 13. heinäkuuta 2021

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Tiistai 13. heinäkuuta 2021

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Sunnuntai 4. heinäkuuta 2021

Viimeksi vahvistettu

Torstai 1. heinäkuuta 2021

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muut tutkimustunnusnumerot

  • IRB00006761-M2020255

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 .

Kliiniset tutkimukset Selkärangan kasvain

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Israel

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

3
Tilaa