Le développement d'une plate-forme logicielle d'imagerie quantitative par ultrasons
18 avril 2023 mis à jour par: Seoul National University Bundang Hospital
Le développement d'une plate-forme logicielle d'imagerie ultrasonore fonctionnelle et quantitative à haute performance basée sur l'intelligence artificielle (IA)
Le but de cette étude observationnelle est de comparer les différences d'image entre l'échographie conventionnelle et le logiciel d'échographie basé sur l'intelligence artificielle chez des adultes conscients.
La principale question à laquelle il vise à répondre est d'évaluer l'efficacité en déterminant que la nouvelle méthode d'analyse d'images est considérée comme valide si elle permet d'identifier plus de 30 % des caractéristiques histologiques.
Les participants subiront l'examen en utilisant les deux méthodes mentionnées précédemment après avoir signé le formulaire de consentement.
Aperçu de l'étude
Statut
Inscription sur invitation
Type d'étude
Observationnel
Inscription (Anticipé)
196
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.
Lieux d'étude
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Corée, République de, 13620
- Seoul National University Bundang 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
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Non
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
Une personne qui se rend à l'hôpital Bundang de l'Université nationale de Séoul pour un traitement médical ou une consultation.
La description
Critère d'intégration:
- Les personnes atteintes de maladies cardiaques, de maladies thyroïdiennes, de maladies du sein et de maladies du foie.
Critère d'exclusion:
- Quelqu'un qui a subi une intervention chirurgicale sur l'organe cible en question.
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
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Informations quantitatives sur les ultrasons
Délai: 5 années
|
Images échographiques quantitatives des maladies cardiaques, thyroïdiennes et mammaires
|
5 années
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Publications et liens utiles
La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.
Publications générales
- 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.
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 (Réel)
1 septembre 2020
Achèvement primaire (Anticipé)
31 mars 2026
Achèvement de l'étude (Anticipé)
31 mars 2026
Dates d'inscription aux études
Première soumission
18 avril 2023
Première soumission répondant aux critères de contrôle qualité
18 avril 2023
Première publication (Réel)
1 mai 2023
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
1 mai 2023
Dernière mise à jour soumise répondant aux critères de contrôle qualité
18 avril 2023
Dernière vérification
1 avril 2023
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
- Maladies du système digestif
- Ischémie
- Processus pathologiques
- Nécrose
- Ischémie myocardique
- Maladies cardiaques
- Maladies cardiovasculaires
- Maladies vasculaires
- Maladies de la peau
- Tumeurs
- Tumeurs par site
- Maladies du système endocrinien
- Maladies du foie
- Infarctus du myocarde
- Infarctus
- Tumeurs mammaires
- Maladies thyroïdiennes
- Maladies du sein
- Maladie fibrokystique du sein
Autres numéros d'identification d'étude
- B-1910-570-301
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 .