Multimodal Imaging-assisted Diagnosis Model for Cervical Spine Tumors
2021. július 4. frissítette: Peking University Third Hospital
Based on a Small Sample Deep Learning Multi-modal Image-assisted Diagnosis Model of Cervical Spine Tumors Clinical Application Research
Cervical spine tumor is a small sample of tumor disease with low incidence, great harm, and complex anatomical structure. It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.
The deep learning model we constructed in the early stage has a higher accuracy rate for the image diagnosis of cervical spondylosis with a large number of cases, and a better clinical application effect, but the accuracy rate for cervical spine tumors with a small number of cases is lower. The reason may be the amount of data. With limited tasks, the traditional deep learning model is difficult to play an effective role.
Based on this, we propose to build a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors with multimodal images, and to evaluate the benign and malignant tumors.
A tanulmány áttekintése
Állapot
Befejezve
Körülmények
Részletes leírás
Cervical spine tumor is a small-sample tumor disease with low incidence, great harm, and complex anatomical structure.
It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.
The deep learning model we constructed in the early stage is suitable for the large number of cases.
The imaging diagnosis of cervical spondylosis has a high accuracy rate and a good clinical application effect, but the accuracy rate is low for cervical spine tumors with a small number of cases.
The reason may be that for tasks with limited amount of data, the traditional deep learning model is difficult to play an effective role.
Based on this, we propose to construct a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors in multi-modal imaging, and to evaluate the benign and malignant tumors.
This research will not only improve the efficiency and efficiency of cervical spine tumor imaging diagnosis.
Accuracy, to guide clinical personalized treatment, will also provide a basis for the clinical application of deep learning in the field of small samples, which has important clinical significance.
Tanulmány típusa
Megfigyelő
Beiratkozás (Tényleges)
600
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
-
Beijing, Kína
- Peking University Third Hospital
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
18 év (Felnőtt)
Egészséges önkénteseket fogad
Nem
Tanulmányozható nemek
Összes
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
Inclusion criteria: clinically suspected cervical spine tumors, multi-modality (X-ray, CT, MR) imaging, followed by needle biopsy or surgery to confirm the tumor, and pathology report.
Exclusion criteria: surgery or radiotherapy before imaging, cervical spine Those who have fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed an informed consent.
Leírás
Inclusion Criteria:
- 18-50 years old, about 300 males and females; in the orthopedics outpatient and emergency department of our hospital, the imaging scans (X-ray, CT, MR) showed no obvious abnormalities.
Exclusion Criteria:
- have had surgery before acquiring the images, Those who have cervical spine fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed the informed consent. The normal control group" includes about 600 patients with normal or slightly degenerated cervical spine, as a standard for training computers to recognize cervical spine structures Images and control images for detecting tumor lesions.
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
|---|
|
X-ray
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
|
CT
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
|
MRI
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
tumor detection
Időkeret: 2022-2023
|
On the basis of the cervical spine structure, it is the modeling of the tumor.
The model based on weakly supervised learning recognizes the morphological features such as the size of the tumor lesion, and uses the fast-adapted meta-learning method to achieve a fast model under a small amount of training.
Optimize, and finally evaluate the benignity, borderline and malignant probability of the tumor and use it as an output.
|
2022-2023
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
cervical spine detection
Időkeret: 2022-2023
|
Taking the postoperative pathology report of cancer patients as the audit standard, testing the sensitivity and accuracy of the model, and integrating it into a complete deep learning model.
|
2022-2023
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Nyomozók
- Tanulmányi szék: hanqiang ouyang, Peking University Third Hospital
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
2020. január 1.
Elsődleges befejezés (Tényleges)
2020. június 1.
A tanulmány befejezése (Tényleges)
2021. június 1.
Tanulmányi regisztráció dátumai
Először benyújtva
2021. július 4.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2021. július 4.
Első közzététel (Tényleges)
2021. július 13.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2021. július 13.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2021. július 4.
Utolsó ellenőrzés
2021. július 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
Egyéb vizsgálati azonosító számok
- IRB00006761-M2020255
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
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. .