Kvantitatiivisen ultraäänikuvausohjelmistoalustan kehittäminen
tiistai 18. huhtikuuta 2023 päivittänyt: Seoul National University Bundang Hospital
Tekoälyyn (AI) perustuvan korkean suorituskyvyn rakenteellisen toiminnallisen ja kvantitatiivisen ultraäänikuvantamisohjelmistoalustan kehittäminen
Tämän havainnointitutkimuksen tavoitteena on verrata kuvan eroja tavanomaisen ultraäänen ja tekoälyyn perustuvien ultraääniohjelmistojen välillä tajuissaan aikuisilla.
Pääkysymys, johon se pyrkii vastaamaan, on arvioida tehokkuutta määrittämällä, että uusi kuva-analyysimenetelmä katsotaan päteväksi, jos se auttaa tunnistamaan yli 30 % histologisista ominaisuuksista.
Osallistujat suorittavat tarkastuksen kahdella aiemmin mainitulla menetelmällä suostumuslomakkeen allekirjoittamisen jälkeen.
Tutkimuksen yleiskatsaus
Tila
Ilmoittautuminen kutsusta
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
196
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Korean tasavalta, 13620
- Seoul National University Bundang 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
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Henkilö, joka vierailee Seoul National University Bundangin sairaalassa sairaanhoitoa tai konsultaatiota varten.
Kuvaus
Sisällyttämiskriteerit:
- Ihmiset, joilla on sydänsairaus, kilpirauhasen sairaus, rintasairaus ja maksasairaus.
Poissulkemiskriteerit:
- Joku, jolle on leikattu kyseinen kohde-elin.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kvantitatiiviset ultraäänitiedot
Aikaikkuna: 5 vuotta
|
Kvantitatiiviset ultraäänikuvat sydän-, kilpirauhas- ja rintasairauksista
|
5 vuotta
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Cheng PM, Malhi HS. Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images. J Digit Imaging. 2017 Apr;30(2):234-243. doi: 10.1007/s10278-016-9929-2.
- Chi J, Walia E, Babyn P, Wang J, Groot G, Eramian M. Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network. J Digit Imaging. 2017 Aug;30(4):477-486. doi: 10.1007/s10278-017-9997-y.
- F. Milletari, N. Navab and S. -A. Ahmadi. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV), Stanford, CA, USA. 2016; 565-571.
- Ma J, Wu F, Jiang T, Zhu J, Kong D. Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images. Med Phys. 2017 May;44(5):1678-1691. doi: 10.1002/mp.12134. Epub 2017 Apr 17.
- Chen H, Zheng Y, Park JH, Heng PA, Zhou SK. (2016). Iterative Multi-domain Regularized Deep Learning for Anatomical Structure Detection and Segmentation from Ultrasound Images. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016. 2016; 9901.
- Lekadir K, Galimzianova A, Betriu A, Del Mar Vila M, Igual L, Rubin DL, Fernandez E, Radeva P, Napel S. A Convolutional Neural Network for Automatic Characterization of Plaque Composition in Carotid Ultrasound. IEEE J Biomed Health Inform. 2017 Jan;21(1):48-55. doi: 10.1109/JBHI.2016.2631401. Epub 2016 Nov 22.
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)
Tiistai 1. syyskuuta 2020
Ensisijainen valmistuminen (Odotettu)
Tiistai 31. maaliskuuta 2026
Opintojen valmistuminen (Odotettu)
Tiistai 31. maaliskuuta 2026
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Tiistai 18. huhtikuuta 2023
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Tiistai 18. huhtikuuta 2023
Ensimmäinen Lähetetty (Todellinen)
Maanantai 1. toukokuuta 2023
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Maanantai 1. toukokuuta 2023
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Tiistai 18. huhtikuuta 2023
Viimeksi vahvistettu
Lauantai 1. huhtikuuta 2023
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
- Ruoansulatuskanavan sairaudet
- Iskemia
- Patologiset prosessit
- Nekroosi
- Sydänlihaksen iskemia
- Sydänsairaudet
- Sydän-ja verisuonitaudit
- Verisuonisairaudet
- Ihosairaudet
- Neoplasmat
- Neoplasmat sivustoittain
- Endokriinisen järjestelmän sairaudet
- Maksasairaudet
- Sydäninfarkti
- Infarkti
- Rintojen kasvaimet
- Kilpirauhasen sairaudet
- Rintojen sairaudet
- Fibrosystinen rintasairaus
Muut tutkimustunnusnumerot
- B-1910-570-301
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 .