Algorithmes de reconstruction d'apprentissage profond dans le double CTA à faible dose
16 avril 2024 mis à jour par: Hao Tang
Évaluation des algorithmes de reconstruction par apprentissage profond en imagerie vasculaire CT à double faible dose
Le but de cette étude observationnelle est d'évaluer l'impact de la reconstruction d'images par apprentissage profond sur la qualité de l'image et performances diagnostiques du double CTA à faible dose.
La principale question à laquelle elle vise à répondre est d’explorer la faisabilité de la reconstruction d’images par apprentissage profond dans le cadre d’un double CTA à faible dose.
Aperçu de l'étude
Statut
Recrutement
Les conditions
Intervention / Traitement
Description détaillée
- Les données brutes des patients ayant subi une CTA de la tête et du cou, une CTA coronarienne et une CTA abdominale dans les groupes à dose standard et double à faible dose ont été incluses.
- Des techniques telles que la rétroprojection filtrée, la reconstruction itérative et la reconstruction par apprentissage profond ont été utilisées.
- La faisabilité de la reconstruction par apprentissage profond dans le cadre d’un double CTA à faible dose a été évaluée sur la base de la qualité de l’image et des performances diagnostiques.
Type d'étude
Observationnel
Inscription (Estimé)
1200
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: Youfa M Tang, Doctor
- Numéro de téléphone: 8613554101223
- E-mail: 1525573397@qq.com
Sauvegarde des contacts de l'étude
- Nom: Tan, Doctor
- Numéro de téléphone: 86 159 2631 4149
- E-mail: 1655118783@qq.com
Lieux d'étude
-
-
Hubei
-
Wuhan, Hubei, Chine, 430000
- Recrutement
- Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
-
Contact:
- Youfa M Tang
- Numéro de téléphone: +8613554101223
- E-mail: 1525573397@qq.com
-
-
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
Oui
Méthode d'échantillonnage
Échantillon de probabilité
Population étudiée
Adultes sains ou malades subissant une imagerie vasculaire par tomodensitométrie
La description
Critère d'intégration:
- Patients présentant une CTA de la tête et du cou, une CTA de l'artère coronaire et une CTA abdominale dues à un accident vasculaire cérébral, une maladie coronarienne et une maladie inflammatoire abdominale, ainsi que des tumeurs abdominales.
Critère d'exclusion:
- Âge < 18 ans, grossesse, réaction allergique au produit de contraste iodé, insuffisance rénale et hyperthyroïdie sévère.
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
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Groupe de dose standard
Les données brutes de 400 patients ayant reçu une CTA de la tête et du cou à dose conventionnelle, une CTA coronarienne et une CTA abdominale ont été incluses.
Une rétroprojection filtrée, une itération et une reconstruction par apprentissage profond ont été réalisées.
Évaluer l'impact de la reconstruction par apprentissage profond sur la qualité de l'image et les performances diagnostiques chez les patients atteints de CTA à dose conventionnelle.
|
La reconstruction d'images par apprentissage profond (DLIR) est un algorithme de réduction du bruit d'intelligence artificielle nouvellement développé ces dernières années.
Il entraîne des ensembles massifs de données FBP de haute qualité pour apprendre à distinguer le bruit et le signal, afin de réduire sélectivement le bruit et de reconstruire des images de haute qualité avec des données d'image de faible qualité.
|
|
Groupe double dose faible
Les données brutes de 800 patients présentant un CTA de la tête et du cou à basse tension et un produit de contraste, un CTA coronaire et un CTA abdominal ont été incluses.
Une rétroprojection filtrée, une itération et une reconstruction par apprentissage profond ont été réalisées.
Évaluer l'impact de la reconstruction par apprentissage profond sur la qualité de l'image et les performances diagnostiques chez les patients atteints de CTA à double faible dose.
|
La reconstruction d'images par apprentissage profond (DLIR) est un algorithme de réduction du bruit d'intelligence artificielle nouvellement développé ces dernières années.
Il entraîne des ensembles massifs de données FBP de haute qualité pour apprendre à distinguer le bruit et le signal, afin de réduire sélectivement le bruit et de reconstruire des images de haute qualité avec des données d'image de faible qualité.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
La spécificité et la sensibilité calculées grâce à la valeur seuil optimale de la courbe caractéristique de fonctionnement du récepteur.
Délai: 2026.1
|
La spécificité et la sensibilité ont été calculées séparément pour le groupe à dose standard et le groupe à double dose faible en utilisant la valeur seuil optimale de la courbe caractéristique de fonctionnement du récepteur, dans le but de comparer la précision du diagnostic entre les deux groupes.
|
2026.1
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Le rapport signal/bruit calculé à partir des valeurs CT de l'image et du bruit
Délai: 2026.1
|
Le rapport signal/bruit a été calculé séparément pour le groupe à dose standard et le groupe à double dose faible en utilisant les valeurs CT de l'image et le bruit, afin d'évaluer la qualité de l'image entre les deux groupes.
|
2026.1
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Parrainer
Les enquêteurs
- Chercheur principal: Hao Tang, Doctor, Tongji Hospital
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 juin 2023
Achèvement primaire (Estimé)
1 décembre 2025
Achèvement de l'étude (Estimé)
1 mars 2026
Dates d'inscription aux études
Première soumission
11 avril 2024
Première soumission répondant aux critères de contrôle qualité
16 avril 2024
Première publication (Réel)
18 avril 2024
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
18 avril 2024
Dernière mise à jour soumise répondant aux critères de contrôle qualité
16 avril 2024
Dernière vérification
1 avril 2024
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- 102122
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Description du régime IPD
Pour protéger la vie privée des participants, les données pertinentes ne sont partagées qu'avec le consentement des participants.
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 .