Una nuova tecnica per il trattamento delle malattie della retina
18 gennaio 2021 aggiornato da: Second Affiliated Hospital, School of Medicine, Zhejiang University
Ricerca di diagnosi intelligenti e monitoraggio automatico delle lesioni per un trattamento preciso delle malattie retiniche basato sull'apprendimento profondo
Con l'avvento dell'era della medicina di precisione, basato sull'apprendimento approfondito dell'immagine FFA per identificare l'area delle lesioni del fondo, registrazione delle immagini del fondo, in base alla gravità delle malattie del fondo per progettare l'energia e il percorso laser ottimali, il trattamento accurato del fondo ha urgenti esigenze cliniche e un significato molto importante
Panoramica dello studio
Stato
Reclutamento
Condizioni
Descrizione dettagliata
- Database strutturato di immagini DR Costruzione e annotazione accurata: retrospettiva (dal 1 gennaio 2016 al giorno della revisione etica) e prospettica (dal giorno della revisione etica al 31 dicembre 2023) raccolti FFA e altri dati di immagini multimodali. Diversi oftalmologi ed esperti senior di malattie del fondo hanno effettuato una valutazione diagnostica su ciascuna immagine di ciascun paziente e hanno completato l'accurata diagnosi di classificazione dei dati Infine, è stato creato passo dopo passo un database Dr strutturato. Questo documento utilizza la teoria della visione artificiale per quantificare la distorsione della qualità dell'immagine FFA, guida il computer a configurare in modo adattivo gli algoritmi esistenti di miglioramento dell'immagine e riduzione del rumore e completa la pre-elaborazione dei dati dell'immagine del fondo oculare.
- Costruzione del sistema diagnostico di classificazione intelligente Dr basato sull'immagine del fondo oculare: in primo luogo, l'immagine del fondo oculare viene utilizzata come database di addestramento dei dati del fondo oculare e, secondo lo standard clinico internazionale di diagnosi di classificazione Dr, molti medici contrassegnano accuratamente l'immagine del fondo oculare. Criteri di classificazione clinica internazionale Dr: grado 0, nessuna evidente anomalia retinica; grado 1, solo microangioma; grado 2, più grave del microangioma, ma meno grave che grave; grado 3, quattro quadranti, ogni quadrante ha più di 20 emorragie retiniche, più di due quadranti hanno sfere venose definite, più di un quadrante ha Irma evidente, nessun segno di retinopatia proliferativa; grado 4, neovascolarizzazione, emorragia vitreale Volume sangue, emorragia preretinica. Sulla base dello standard diagnostico intelligente di classificazione del Dr, la rete neurale di convoluzione è costruita per addestrare e classificare le immagini del fondo oculare. Dopo aver ripetuto questo processo molte volte per ogni immagine nel set di addestramento delle immagini del fondo oculare, il sistema di deep learning apprende come classificare tutti i dati nel set di addestramento per diagnosticare con precisione le immagini del fondo oculare.
- Costruzione della rete neurale di convoluzione per l'area di messa a fuoco dell'immagine FFA: la rete neurale di convoluzione dell'apprendimento profondo è composta da milioni di parametri, che vengono utilizzati per addestrare ed eseguire determinate attività. L'output generato da ciascuna operazione di convoluzione lineare è regolarizzato dalla funzione di attivazione non lineare, combinata con la riduzione della dimensionalità del livello di pooling e del livello di connessione completo, in modo che il processo di ottimizzazione della rete neurale profonda non solo superi la dispersione del gradiente, ma aiuti anche a generare caratteristiche simile al meccanismo di percezione gerarchica delle cellule neurali umane ai segnali visivi. L'immagine FFA viene utilizzata come database di addestramento dei dati del fondo oculare. Sulla base dell'accurata etichettatura dell'area della lesione (area senza perfusione, area del microangioma e area di perdita), l'immagine FFA deve essere trattata per il riconoscimento intelligente dell'area della lesione. Nel processo di addestramento, i parametri della rete neurale sono inizialmente impostati su valori casuali. Quindi, per ogni immagine, i risultati forniti dalla funzione vengono confrontati con i risultati noti del training set per ottimizzare i parametri della funzione. Dopo aver ripetuto questo processo molte volte per ogni immagine nel set di dati di addestramento, il sistema di deep learning ha imparato a classificare tutti i dati nel set di addestramento per prevedere con precisione le lesioni Dr sulle immagini FFA.
- Costruzione di un modello di navigazione laser del fondo oculare intelligente basato sull'immagine FFA e sulla registrazione dell'immagine del fondo oculare: il sistema di riconoscimento intelligente delle lesioni Dr sull'immagine FFA di cui sopra identifica accuratamente le aree che necessitano di trattamento laser del fondo oculare, aiuta i medici a determinare le lesioni che devono essere trattate e sulla base sulla corrispondenza delle immagini dell'apprendimento automatico, fornisce l'immagine di registrazione dell'immagine del fondo e la combinazione FFA, che viene impostata in base alla posizione e alle informazioni sulle dimensioni dell'area della lesione In base al diametro retinico corrispondente e alla disposizione dei diversi punti laser, il laser personalizzato viene formulato lo schema di trattamento e viene costruito il modello di guida per il trattamento del fondo oculare intelligente.
Tipo di studio
Osservativo
Iscrizione (Anticipato)
2000
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Contatto studio
- Nome: Jin Kai, MD
- Numero di telefono: 13646828461
- Email: jinkai@zju.edu.cn
Luoghi di studio
-
-
Zhejiang
-
Hanzhou, Zhejiang, Cina
- Reclutamento
- The Second Affiliated Hospital of Zhejiang University
-
Contatto:
- Jin Kai, MD
- Numero di telefono: 13646828461
-
-
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
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Sì
Sessi ammissibili allo studio
Tutto
Metodo di campionamento
Campione di probabilità
Popolazione di studio
i pazienti vengono sottoposti a esame della retina presso il centro oculistico del secondo ospedale affiliato dell'Università di Zhejiang
Descrizione
Criterio di inclusione:
- pazienti con malattie della retina
Criteri di esclusione:
- i pazienti con altre malattie influenzano l'esame retinico
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 |
|---|
|
pazienti
pazienti con malattie della retina
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
intelligenza artificiale
Lasso di tempo: 2016.01-2023.12
|
utilizzare i dati per sviluppare modelli di deep learning
|
2016.01-2023.12
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Investigatori
- Investigatore principale: Jin Kai, MD, Zhejiang University
- Investigatore principale: Xu Yufeng, MD, Zhejiang University
- Investigatore principale: Lou Lixia, MD, Zhejiang University
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)
1 gennaio 2016
Completamento primario (Anticipato)
1 gennaio 2023
Completamento dello studio (Anticipato)
31 dicembre 2023
Date di iscrizione allo studio
Primo inviato
18 gennaio 2021
Primo inviato che soddisfa i criteri di controllo qualità
18 gennaio 2021
Primo Inserito (Effettivo)
22 gennaio 2021
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
22 gennaio 2021
Ultimo aggiornamento inviato che soddisfa i criteri QC
18 gennaio 2021
Ultimo verificato
1 gennaio 2021
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 研2019-428
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
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 .