Deep Learning Reconstruction Algoriths in Dual Low-annos CTA
tiistai 16. huhtikuuta 2024 päivittänyt: Hao Tang
Syväoppimisen rekonstruktioalgoritmien arviointi kaksois-matala-annoksisessa verisuonikuvauksessa
Tämän havainnointitutkimuksen tavoitteena on arvioida syväoppivan kuvan rekonstruoinnin vaikutusta kuvanlaatuun ja diagnostiseen suorituskykyyn kaksinkertaisen pienen annoksen CTA:lla.
Pääkysymys, johon se pyrkii vastaamaan, on tutkia syväoppivan kuvan rekonstruoinnin toteutettavuutta kaksinkertaisessa pieniannoksisessa CTA:ssa.
Tutkimuksen yleiskatsaus
Tila
Rekrytointi
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
- Mukaan otettiin raakatiedot potilailta, joille tehtiin pään ja kaulan CTA, sepelvaltimon CTA ja vatsan CTA sekä vakioannos- että kaksinkertaisen pienen annoksen ryhmissä.
- Suoritettiin tekniikoita, kuten suodatettu takaprojektio, iteratiivinen rekonstruktio ja syväoppimisen rekonstruktio.
- Syvän oppimisen rekonstruoinnin toteutettavuus kaksinkertaisessa pieniannoksisessa CTA:ssa arvioitiin kuvanlaadun ja diagnostisen suorituskyvyn perusteella.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Arvioitu)
1200
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Youfa M Tang, Doctor
- Puhelinnumero: 8613554101223
- Sähköposti: 1525573397@qq.com
Tutki yhteystietojen varmuuskopiointi
- Nimi: Tan, Doctor
- Puhelinnumero: 86 159 2631 4149
- Sähköposti: 1655118783@qq.com
Opiskelupaikat
-
-
Hubei
-
Wuhan, Hubei, Kiina, 430000
- Rekrytointi
- Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
-
Ottaa yhteyttä:
- Youfa M Tang
- Puhelinnumero: +8613554101223
- Sähköposti: 1525573397@qq.com
-
-
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
Joo
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Terveet tai sairaat aikuiset, joille tehdään verisuonten CT-kuvaus
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joilla on pään ja kaulan CTA, sepelvaltimon CTA ja vatsan CTA aivohalvauksen, sepelvaltimotaudin ja vatsan tulehduksellisen sairauden sekä vatsan kasvaimien vuoksi.
Poissulkemiskriteerit:
- Ikä <18 vuotta, raskaus, allerginen reaktio jodivarjoaineelle, munuaisten vajaatoiminta ja vaikea hypertyreoosi.
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 |
|---|---|
|
Vakioannosryhmä
Raakatiedot 400 potilaalta, joilla oli tavanomainen annos pään ja kaulan CTA, sepelvaltimon CTA ja vatsan CTA, sisällytettiin.
Suodatettu takaisinprojektio, iterointi ja syväoppimisen rekonstruktio suoritettiin.
Arvioida syvän oppimisen rekonstruoinnin vaikutusta kuvanlaatuun ja diagnostiseen suorituskykyyn potilailla, joilla on tavanomainen CTA.
|
Deep learning image reconstruction (DLIR) on hiljattain kehitetty tekoälyn kohinanvaimennusalgoritmi viime vuosina.
Se kouluttaa massiivisia korkealaatuisia FBP-tietosarjoja oppimaan erottamaan kohinan ja signaalin, jotta voidaan selektiivisesti vähentää kohinaa ja rekonstruoida korkealaatuisia kuvia huonolaatuisella kuvadatalla.
|
|
Tuplaannosryhmä
Raakatiedot 800 potilaalta, joilla oli alhainen putkijännite ja varjoaine, pään ja kaulan CTA, sepelvaltimon CTA ja vatsan CTA.
Suodatettu takaisinprojektio, iterointi ja syväoppimisen rekonstruktio suoritettiin.
Arvioida syvän oppimisen rekonstruoinnin vaikutusta kuvanlaatuun ja diagnostiseen suorituskykyyn potilailla, joilla on kaksinkertainen pieni annos CTA.
|
Deep learning image reconstruction (DLIR) on hiljattain kehitetty tekoälyn kohinanvaimennusalgoritmi viime vuosina.
Se kouluttaa massiivisia korkealaatuisia FBP-tietosarjoja oppimaan erottamaan kohinan ja signaalin, jotta voidaan selektiivisesti vähentää kohinaa ja rekonstruoida korkealaatuisia kuvia huonolaatuisella kuvadatalla.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Spesifisyys ja herkkyys, joka lasketaan vastaanottimen toimintakäyrän optimaalisen raja-arvon kautta.
Aikaikkuna: 2026.1
|
Spesifisyys ja herkkyys laskettiin erikseen standardiannosryhmälle ja kaksoispienen annoksen ryhmälle käyttäen optimaalista raja-arvoa vastaanottimen toimintakäyrästä diagnostisen tarkkuuden vertaamiseksi näiden kahden ryhmän välillä.
|
2026.1
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kuvan CT-arvoista ja kohinasta laskettu signaali-kohinasuhde
Aikaikkuna: 2026.1
|
Signaali-kohinasuhde laskettiin erikseen vakioannosryhmälle ja kaksoispienen annoksen ryhmälle käyttämällä kuvan CT-arvoja ja kohinaa kuvanlaadun arvioimiseksi näiden kahden ryhmän välillä.
|
2026.1
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Tutkijat
- Päätutkija: Hao Tang, Doctor, Tongji 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)
Torstai 1. kesäkuuta 2023
Ensisijainen valmistuminen (Arvioitu)
Maanantai 1. joulukuuta 2025
Opintojen valmistuminen (Arvioitu)
Sunnuntai 1. maaliskuuta 2026
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 11. huhtikuuta 2024
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Tiistai 16. huhtikuuta 2024
Ensimmäinen Lähetetty (Todellinen)
Torstai 18. huhtikuuta 2024
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Torstai 18. huhtikuuta 2024
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Tiistai 16. huhtikuuta 2024
Viimeksi vahvistettu
Maanantai 1. huhtikuuta 2024
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- 102122
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
IPD-suunnitelman kuvaus
Osallistujan yksityisyyden suojaamiseksi asiaankuuluvia tietoja ei jaeta ennen kuin osallistuja on antanut suostumuksensa
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 .