Täytteiden tekoälyn arviointi
Yolo-V5-lähestymistavat täytön ja ulkonevan täytön arviointiin: tekoälytutkimus
Tämän ei-interventionaalisen kliinisen tutkimuksen tavoitteena on havaita täytteiden ja ulkonevien täytteiden esiintyvyys ja jakautuminen ilman, että tarvitaan ylimääräisiä purevia röntgenkuvia käyttämällä panoraamakuvia. Se perustuu syvään CNN (Convolutional Neural Network) -arkkitehtuuriin, joka on koulutettu ohjatun oppimisen kautta.
Tässä tutkimuksessa retrospektiivisesti saatuja röntgenkuvia käytettiin tekoälymallien kehittämisessä relevantteihin tilanteisiin. Nämä aineistot on saatu niiden potilaiden kuvista, jotka hakevat ESOGU:n (Eskişehir Osmangazi University) hammaslääketieteen tiedekunnan Dentomaxillofacial Radiology -klinikalle erilaisia hammaslääketieteellisiä tarkoituksia varten. Eskisehir Osmangazin yliopiston non-interventionaalisen kliinisen tutkimuksen etiikkalautakunta (päätöspäivä ja päätösnumero: 04.10.2022/22) hyväksyi tutkimusprotokollan. Tutkimuksessa noudatettiin Helsingin julistuksen periaatteita.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Eskişehir, Turkki, 26200
- Eskisehir Osmangazi University
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Kuvia henkilöistä pysyvän hampaiston aikana
- Artefaktittomat kuvat tutkimusalueella
- Henkilöt, joilla on ollut restauratiivista hammashoitoa
Poissulkemiskriteerit:
- Kuvia yksilöistä sekahampaissa
- Radiografiset kuvat, jotka on saatu potilaan väärästä sijainnista tai sisältävät esineitä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Täyte
|
Tämä retrospektiivinen tutkimus sisältää potilailta eri tarkoituksiin aiemmin otettujen röntgenkuvien analyysin
|
|
Ulkoneva täyte
|
Tämä retrospektiivinen tutkimus sisältää potilailta eri tarkoituksiin aiemmin otettujen röntgenkuvien analyysin
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tekoälymallien menestys täytössä ja ulkonevassa täytössä
Aikaikkuna: 1 vuosi
|
Se saadaan laskemalla herkkyys, tarkkuus ja F1-pisteet täytön ja ulkonevan täytön arvot.
|
1 vuosi
|
Yhteistyökumppanit ja tutkijat
Sponsori
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
Muut tutkimustunnusnumerot
- Retrospective
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- CSR
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 .
Kliiniset tutkimukset Panoraama röntgenkuvaus
-
Hormozgan University of Medical SciencesTuntematonAnestesia | Anestesia; ToimivaIran, islamilainen tasavalta