- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04140565
Pozitron emissziós tomográfia (PET) képek mély neurális hálózatokkal
Diagnosztikai pozitronemissziós tomográfia (PET) képek kinyerése 10 másodperces ágyhelyzet mérésből, mély neurális hálózatok segítségével
A PET-felvételek két, pozitront kibocsátó izotópok által termelt 511 KeV foton megsemmisítésén alapulnak. Minél hosszabb a felvételi idő, annál több fotont észlel és dolgoz fel, ami jobb képminőséget eredményez. A hosszú szkennelési idők (jellemzően 20-40 perc szkennelésenként) azonban kevésbé kényelmesek a betegek számára, és a páciens mozgását és elmozdulását okozhatják.
számos tanulmány használt gépi tanulást diagnosztikai képek előállítására gyenge minőségű képekből. Vizsgálatunk célja, hogy diagnosztikai PET-képeket készítsünk ágypozíciónként 10 másodperces felvételi idővel DNN-algoritmusok segítségével
A tanulmány áttekintése
Állapot
Részletes leírás
A pozitronemissziós tomográfia (PET)/számítógépes tomográfia (CT), amely számos nyomjelzőt alkalmaz, amelyek közül a fluor-dezoxiglükóz (FDG) a legelterjedtebb, az onkológiában az egyik fő képalkotó módszerré vált. A PET és CT komponensek metabolikus, illetve anatómiai információkat tükröznek. A PET-felvételek két, pozitront kibocsátó izotópok által termelt 511 KeV foton megsemmisítésén alapulnak. Minél hosszabb a felvételi idő, annál több fotont észlel és dolgoz fel, ami jobb képminőséget eredményez. A hosszú szkennelési idők (jellemzően 20-40 perc szkennelésenként) azonban kevésbé kényelmesek a betegek számára, és a páciens mozgását és elmozdulását okozhatják. Az évek során számos módszert fejlesztettek ki, például a 3D-t és a repülési idő mérését, hogy kompenzálják a letapogatási idő lerövidüléséből adódó képminőség-romlást. A közelmúltban számos tanulmány használt gépi tanulást diagnosztikai képek előállítására gyenge minőségű képekből. Xiang és munkatársai összehasonlították az agy PET-képeit, amelyeket 3 perc alatt készítettek (azaz alacsony minőségű PET-et (LPET)) a standard PET-képekkel (azaz SPET), amelyeket 12 perc alatt készítettek. LPET és T1 súlyozott képeket kombináltak mély neurális hálózatok (DNN) segítségével, hogy a SPET képekkel egyenértékű diagnosztikai PET képeket állítsanak elő.
Vizsgálatunk célja, hogy a Sheba képalkotó részlegében található CILAB laboratóriumban kifejlesztett DNN algoritmusok segítségével diagnosztikus PET képeket készítsünk ágypozíciónként 10 másodperces felvételi idővel.
Az algoritmusokat korábban sikeresen validálták az ultraalacsony dózisú mellkasi CT-vizsgálatok zajtalanítására, így alkalmassá váltak tüdőrákszűrésre. Az algoritmusok a lokálisan konzisztens nem helyi eszközök (LC-NLM) algoritmuson alapulnak.
Az LC-NLM algoritmus gyors közelítő legközelebbi szomszédokat (ANN) használ, hogy megtalálja a leghasonlóbb nagy SNR-ű foltot egy szándékosan felépített adatbázisban a bemeneti kép minden zajos foltjához (Green et al.) ] Javasoljuk a közelmúltban Nem lokális neurális hálózatokat vezetett be (Wang et al.), hogy az LC-NLM-et egy teljesen betanítható, lokálisan konzisztens nemlokális blokkba (LC-NLB) rakja össze. Az eredeti nem lokális hálózatok a klasszikus non-local eszközök (NLM) algoritmus (Buades et al.) ötleteit kombinálják egy neurális hálózati blokkban, amely egy adott pozícióban a kimenetet az összes pozícióban lévő jellemzők súlyozott összegeként számítja ki. .
Tanulmány típusa
Beiratkozás (Várható)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Ramat Gan, Izrael, 52621
- Sheba Medical Center Hospital- Tel Hashomer
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevonási kritériumok: FDG PET/CT-t végző betegek -
Kizárási kritériumok:1. 18 éven aluliak. 2. FDG-től eltérő radioizotóppal végzett PET/CT.
-
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Diagnosztikai PET képek előállítása mély neurális hálózatok algoritmusaival
Időkeret: 2 év
|
A PET-képek készítéséhez nagyon rövid ágypozíciókat kell kialakítani, amelyek minősége megegyezik a szabványos PET-képekkel
|
2 év
|
Együttműködők és nyomozók
Szponzor
Együttműködők
Nyomozók
- Kutatásvezető: Liran Domachevsky, MD, Sheba medical center
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (VÁRHATÓ)
Elsődleges befejezés (VÁRHATÓ)
A tanulmány befejezése (VÁRHATÓ)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (TÉNYLEGES)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (TÉNYLEGES)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- SHEBA-19-6267-LD-CTIL
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .