Classificazione basata sull'apprendimento profondo della TC della colonna vertebrale (DETECT)
10 maggio 2020 aggiornato da: Shisheng He, MD, Shanghai 10th People's Hospital
I chirurghi della colonna vertebrale o i radiologi richiedono molto tempo per condurre classificazioni manuali della TC spinale, che possono anche essere correlate con un'elevata varianza inter-osservatore.
Con lo sviluppo dell'informatica, il deep learning è emerso come una tecnica promettente per classificare le immagini dal livello individuale al livello dei pixel.
L'obiettivo principale dello studio è identificare e classificare automaticamente le lesioni o segmentare le strutture mirate sulla TC spinale con il deep learning.
Panoramica dello studio
Stato
Sconosciuto
Condizioni
Intervento / Trattamento
Descrizione dettagliata
La tomografia computerizzata (TC) è uno degli strumenti di imaging più importanti per assistere la diagnosi e il trattamento delle malattie spinali.
Classificazione di obiettivi specifici (ad es.
individui, lesioni, ecc.) è una delle missioni più comuni dell'analisi delle immagini mediche.
Tuttavia, i chirurghi della colonna vertebrale o i radiologi richiedono molto tempo per condurre classificazioni manuali della TC spinale, che possono anche essere correlate con un'elevata varianza inter-osservatore.
Con lo sviluppo dell'informatica, il deep learning è emerso come una tecnica promettente per classificare le immagini dal livello individuale al livello dei pixel.
L'obiettivo principale dello studio è identificare e classificare automaticamente le lesioni o segmentare le strutture mirate sulla TC spinale con il deep learning.
Tipo di studio
Osservativo
Iscrizione (Anticipato)
500
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
Shanghai
-
Shanghai, Shanghai, Cina, 200072
- Reclutamento
- Shanghai Tenth People's Hospital
-
Contatto:
- Guoxin Fan
- Email: 1610707@tongji.edu.cn
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
Da 18 anni a 65 anni (Adulto, Adulto più anziano)
Accetta volontari sani
No
Sessi ammissibili allo studio
Tutto
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
saranno inclusi i pazienti con TC spinale a strato sottile che copre il livello target.
Descrizione
Criterio di inclusione:
- TC spinale a strato sottile
Criteri di esclusione:
- medaglie o altri impianti inducono artefatti
- scarsa qualità dell'immagine
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
TC a strato sottile
La TC a strato sottile verrà etichettata manualmente e utilizzata per addestrare, convalidare e testare l'algoritmo di deep learning.
|
campioni etichettati manualmente verranno utilizzati per addestrare, convalidare e testare l'algoritmo di deep learning e quindi realizzare la classificazione automatica.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
accuratezza della classificazione
Lasso di tempo: 1 giorno
|
accuratezza della classificazione (ad es.
area sotto la curva, ecc.)
|
1 giorno
|
|
accuratezza della segmentazione
Lasso di tempo: 1 giorno
|
precisione di segmentazione di più strutture (ad es.
Punteggio dei dadi, ecc.)
|
1 giorno
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Collaboratori
Investigatori
- Investigatore principale: Shisheng He, M.D., Shanghai 10th People's Hospital
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (Effettivo)
22 febbraio 2019
Completamento primario (Anticipato)
1 maggio 2020
Completamento dello studio (Anticipato)
1 maggio 2020
Date di iscrizione allo studio
Primo inviato
16 novembre 2018
Primo inviato che soddisfa i criteri di controllo qualità
29 dicembre 2018
Primo Inserito (Effettivo)
2 gennaio 2019
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
12 maggio 2020
Ultimo aggiornamento inviato che soddisfa i criteri QC
10 maggio 2020
Ultimo verificato
1 maggio 2020
Maggiori informazioni
Termini relativi a questo studio
Altri numeri di identificazione dello studio
- SHSY180624
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
INDECISO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
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 .