Ricerca sulla lesione del labbro acetabolare basata su MR: modello di apprendimento profondo multi-angolo
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Descrizione dettagliata
- Rilevazione di immagini del labbro acetabolare basate su CNN: sono state utilizzate immagini T2-fs assiali e coronali e tutte le immagini sono state corrette e standardizzate. La CNN viene applicata per riconoscere e apprendere le immagini con labbro acetabolare per selezionare le immagini con struttura del labbro acetabolare dalla sequenza completa ed eliminare le immagini senza struttura del labbro acetabolare. Tutti i dati sono suddivisi in un set di addestramento (70%, 30% in set di addestramento come set di verifica) e il restante 30% come set di test per valutare l'accuratezza del riconoscimento del modello. Inserisci i risultati ottenuti nel passaggio successivo.
- Riconoscimento e segmentazione del labbro acetabolare basato su Densenet: utilizzo di Densenet per riconoscere e apprendere il labbro acetabolare dalle immagini selezionate. LabelImg è stato utilizzato per individuare manualmente le coordinate del labbro acetabolare e quindi inserirle in Python per l'apprendimento del riconoscimento. Tutti i dati sono stati divisi in un set di addestramento (70%, quindi il 30% nel set di addestramento è stato selezionato come set di verifica) e il restante 30% è stato utilizzato come set di test per valutare l'accuratezza del riconoscimento del modello. Dopo aver identificato la struttura del labbro, la struttura del labbro viene localmente tagliata e ingrandita per rimuovere le informazioni ridondanti. Infine, inserisci il risultato nel passaggio successivo.
- Identificazione e classificazione della lesione del labbro acetabolare basata su 3D-CNN: i dati di input sono stati identificati e classificati dal modello 3D-CNN. 3D-CNN è diviso in otto strati: strato di input, strato di filo rigido H1, strato di convoluzione C2, strato di sottocampionamento S3, strato di convoluzione C4, strato di sottocampionamento S5, strato di convoluzione C6 e strato di output. 3D-CNN costruisce un cubo impilando più frame consecutivi e quindi utilizza un kernel di convoluzione 3D nel cubo. Attraverso questa struttura, le immagini delle caratteristiche nello strato di convoluzione saranno collegate con più fotogrammi adiacenti nello strato precedente per realizzare l'acquisizione di informazioni di immagini continue. Allo stesso modo, i dati sono stati divisi in un set di addestramento (70%, quindi il 30% del set di addestramento è stato selezionato come set di verifica) e il restante 30% è stato utilizzato come set di test per valutare l'accuratezza della classificazione per identificare l'infortunio del labbro e classificare i casi con lesione.
- Modello di combinazione: secondo il processo di cui sopra (1-3), dopo che i modelli sono stati stabiliti rispettivamente per le immagini assiali e coronali, in base alle caratteristiche di output del modello di classificazione CNN, le probabilità di diversi gradi sono previste prima dei risultati di output, e i risultati di output si basano su queste probabilità per selezionare la forma di espressione della massima probabilità possibile. Il nostro modello di combinazione calcola la media delle probabilità di queste diverse classificazioni, calcola la probabilità di previsione finale e quindi ottiene il modello finale. Il set di test della terza fase (compresi i dati misti di immagini assiali e coronali) è stato utilizzato per verificare il modello.
- Confronto tra radiologi e deep learning: elenca i casi del set di test nel precedente passaggio 3 e chiedi a due radiologi professionisti MSK di classificare se c'è danno e il grado di danno e confrontati con i risultati con diagnosi artificiale (entrambi i medici leggono le immagini in modo indipendente e ha ottenuto i risultati della diagnosi simulando il normale stato di scrittura del referto senza alcun prompt). Infine, l'accuratezza della diagnosi artificiale è stata confrontata con quella del modello combinato ottenuto nella quarta fase.
Tipo di studio
Tipo di studio
Iscrizione (Effettivo)
Iscrizione
Contatti e Sedi
Luoghi di studio
-
-
Beijing
-
Beijing, Beijing, Cina, 010
- Peking University Third Hospital
-
-
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Senza alcun trattamento prima dell'esame di imaging;
- La RM dell'articolazione dell'anca è stata eseguita entro tre mesi prima dell'operazione e la qualità dell'immagine era buona;
- L'operazione artroscopica è stata eseguita nel nostro ospedale e le registrazioni dell'operazione erano complete.
Criteri di esclusione:
- Storia di chirurgia dell'anca, tumore o frattura precedente;
- Immagine poco chiara, artefatto grave o dati clinici incompleti.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Caso di controllo
- Prospettive temporali: Retrospettiva
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
Intervento / TrattamentoIntervento / Trattamento |
|---|---|
|
Gruppo di controllo normale - Grado 0
L'esame artroscopico dell'anca era normale e il labbro era intatto senza lesioni o strappi.
|
I risultati dell'artroscopia dell'anca sono stati presi come gold standard e l'esame MRI è stato preso come oggetto di ricerca.
|
|
Lesione ai legamenti - Grado 1
L'esame artroscopico dell'anca mostrava degenerazione o lesione del labbro, ma nessuna lacerazione locale o completa.
|
I risultati dell'artroscopia dell'anca sono stati presi come gold standard e l'esame MRI è stato preso come oggetto di ricerca.
|
|
Lesione del legamento di grado 2
L'artroscopia dell'anca ha rivelato la perdita parziale o completa del labbro.
|
I risultati dell'artroscopia dell'anca sono stati presi come gold standard e l'esame MRI è stato preso come oggetto di ricerca.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Ricerca sulla lesione del labbro acetabolare basata su MR: modello di apprendimento profondo multi-angolo
Lasso di tempo: 2020.12.01-2021.05.30
|
Il modello di deep learning è stato ottenuto per la diagnosi e la classificazione della lesione del labbro e confrontato con i medici di diverse fasi.
|
2020.12.01-2021.05.30
|
Collaboratori e investigatori
Sponsor
Sponsor
Investigatori
Investigatori
- Cattedra di studio: huishu Yuan, MD, Peking University Third Hospital
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Inizio studio
Completamento primario (Effettivo)
Completamento primario
Completamento dello studio (Effettivo)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- M2020459
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .