SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
29 juin 2021 mis à jour par: Peking University Third Hospital
This study intends to study the shoulder SLAP injury through deep learning technology and establish a deep learning model through the combination of axial and oblique coronal images to establish a deep learning method that can accurately identify and grade shoulder SLAP injury.
Aperçu de l'étude
Statut
Pas encore de recrutement
Les conditions
Intervention / Traitement
Description détaillée
- Recognition of labrum images based on LeNet: axial and oblique coronal T2-fs images were used, and all images were corrected and standardized. LeNet identified the images with labrum of the shoulder joint, and the images with labrum structure of shoulder joint were selected from the complete sequence. In contrast, the images without labrum structure were deleted. All the data are divided into a training set (70%, 30% in training set as verification set), and the remaining 30% as a test set to evaluate the accuracy of model recognition. Enter the obtained results into the next step.
- Recognition and segmentation of glenoid lip of shoulder joint based on DenseNet: the labrum is recognized by DenseNet in the selected image. The labelimg software based on Python was used to locate the labrum coordinates and then input them into Python for recognition learning. All the data were divided into a training set (70% and 30% of the training set were selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the labrum structure, the labrum structure is locally cut and enlarged to remove the redundant information and improve the recognition efficiency and accuracy. Finally, input the result to the next step.
- Recognition and grading of shoulder SLAP injury based on 3D-CNN: recognition and grading of input data through 3D-CNN model. 3D-CNN is divided into eight layers: input layer, hard wire layer H1, convolution layer C2, downsampling layer S3, convolution layer C4, downsampling layer S5, convolution layer C6 and output layer. 3D-CNN constructs a cube by stacking multiple consecutive frames and then uses a 3D convolution kernel in the cube. Through this structure, the feature images in the convolution layer will be connected with multiple adjacent frames in the previous layer to realize the information acquisition of continuous images. Similarly, the data is divided into a training set (70%, and then 30% of the training set is selected as the verification set), and the remaining 30% is used as the test set to evaluate the classification accuracy to identify whether there is labrum injury and grade the image with injury.
- Establish CNN combined model: after establishing the model for the axial and oblique coronal view according to the above process (1-3), according to the output characteristics of the CNN classification model, predict the probability of different grades before the output results, and the output results are based on these probabilities to select the expression form of the maximum possible probability. Our combined model averages the probabilities of these different classifications, calculates the final prediction probability, and then obtains the final joint model. The test set of the third step (including the mixed data of axial and coronal images) was used to verify the joint model.
Type d'étude
Observationnel
Inscription (Anticipé)
800
Contacts et emplacements
Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.
Coordonnées de l'étude
- Nom: huishu Yuan, MD
- Numéro de téléphone: 15810245738
- E-mail: huishuy@bjmu.edu.cn
Sauvegarde des contacts de l'étude
- Nom: Ming Ni, MD
- Numéro de téléphone: +8613884794867
- E-mail: sdyingxiang2017@163.com
Lieux d'étude
-
-
Beijing
-
Beijing, Beijing, Chine, 010
- Peking University Third Hospital
-
-
Critères de participation
Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
N/A
Sexes éligibles pour l'étude
Tout
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Collect and analyze patients who underwent shoulder MR examinations in the Department of Radiology, Peking University Third Hospital from September 2018 to September 2020.
La description
Inclusion Criteria:
- Without any treatment before imaging examination;
- MR of the shoulder joint was performed within 3 months before the operation and the image quality was good;
- Arthroscopic operation was performed in our hospital, and the operation records were complete.
Exclusion Criteria:
- History of shoulder surgery, tumor, or previous fracture;
- Unclear image, serious artifact, or incomplete clinical data.
Plan d'étude
Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cas-témoins
- Perspectives temporelles: Rétrospective
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Normal control group-Grade 0
Arthroscopic examination of the labrum was normal, and the labrum was intact without injury or tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament injury -Grade 1
Arthroscopic examination of the shoulder showed labrum degeneration or injury, but no local or complete tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament tear-Grade 2
Arthroscopy of the shoulder revealed partial or complete loss of labrum.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
Délai: 2021.10.1-2022.7.1
|
The model of deep learning was obtained for diagnosis and grading of SLAP injury and compared with the radiologists of different stages.
|
2021.10.1-2022.7.1
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Dates d'enregistrement des études
Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.
Dates principales de l'étude
Début de l'étude (Anticipé)
1 octobre 2021
Achèvement primaire (Anticipé)
1 juin 2022
Achèvement de l'étude (Anticipé)
1 juillet 2022
Dates d'inscription aux études
Première soumission
29 juin 2021
Première soumission répondant aux critères de contrôle qualité
29 juin 2021
Première publication (Réel)
7 juillet 2021
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
7 juillet 2021
Dernière mise à jour soumise répondant aux critères de contrôle qualité
29 juin 2021
Dernière vérification
1 juin 2021
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- M2020458
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Non
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Non
Étudie un produit d'appareil réglementé par la FDA américaine
Non
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .