Rete neurale convoluzionale per il rilevamento della mielomalacia cervicale
Rete neurale convoluzionale per il rilevamento della mielomalacia cervicale sulla risonanza magnetica
La tecnologia del deep learning è stata utilizzata sempre più nella chirurgia della colonna vertebrale e in molti campi medici. Tuttavia, si nota che la maggior parte degli studi su questo argomento in letteratura sono stati condotti ad eccezione del rachide cervicale. In questo studio, abbiamo mirato a dimostrare l'efficacia dell'algoritmo di deep learning nella diagnosi della mielomalacia cervicale rispetto ai metodi diagnostici convenzionali.
Le reti neurali artificiali, una tecnica di apprendimento automatico, sono state utilizzate sempre più in diversi settori industriali e di ricerca. Lo sviluppo di unità computazionali e la crescente quantità di dati hanno portato allo sviluppo di nuovi metodi su reti neurali artificiali
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
La mielopatia cervicale (CM) è una frequente malattia degenerativa del rachide cervicale che si verifica a seguito della compressione del midollo spinale. Nella valutazione di questa malattia e nella determinazione delle opzioni terapeutiche, la clinica del paziente e le modalità radiologiche dovrebbero essere valutate insieme.
Le attuali procedure di imaging per CM sono semplici radiografie, tomografia computerizzata e risonanza magnetica (MRI). Tuttavia, la risonanza magnetica in CM è più preziosa nella valutazione del disco, del midollo spinale e di altri tessuti molli rispetto ad altri metodi di imaging. Tecnologie di intelligenza artificiale utilizzate anche in molte applicazioni sanitarie come l'analisi delle immagini mediche, l'analisi dei segnali biologici, ecc. In questo studio, abbiamo mirato a dimostrare l'efficacia dell'algoritmo di deep learning nella diagnosi della mielomalacia cervicale rispetto ai metodi diagnostici convenzionali.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
Fatih
-
Istanbul, Fatih, Tacchino, 34093
- Istanbul University
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- i pazienti con sintomi classici di mielomalacia cervicale come dolore e rigidità al collo, debolezza e goffaggine agli arti superiori o difficoltà di deambulazione e reperti radiologici di compressione spinale
- Età 30-80 anni.
Criteri di esclusione:
- Pazienti con una storia precedente di chirurgia spinale cervicale e con una malattia sistematica (malattia reumatologica o neurale).
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
mielopatia cervicale
Immagini RM di pazienti con mielopatia cervicale
|
Le reti neurali convoluzionali, una tecnica di apprendimento automatico, sono state utilizzate sempre più in diversi campi industriali e di ricerca.
Lo sviluppo di unità computazionali e la crescente quantità di dati hanno portato allo sviluppo di nuovi metodi su reti neurali artificiali.
Il deep learning (DL) è una rete neurale a più livelli in cui l'estrazione delle funzionalità viene eseguita automaticamente.
Estende le reti neurali tradizionali aggiungendo più livelli nascosti all'architettura di rete tra i livelli di input e output per modellare relazioni più complesse e non lineari.
|
|
normale
sezione normale della risonanza magnetica di pazienti con mielopatia cervicale
|
Le reti neurali convoluzionali, una tecnica di apprendimento automatico, sono state utilizzate sempre più in diversi campi industriali e di ricerca.
Lo sviluppo di unità computazionali e la crescente quantità di dati hanno portato allo sviluppo di nuovi metodi su reti neurali artificiali.
Il deep learning (DL) è una rete neurale a più livelli in cui l'estrazione delle funzionalità viene eseguita automaticamente.
Estende le reti neurali tradizionali aggiungendo più livelli nascosti all'architettura di rete tra i livelli di input e output per modellare relazioni più complesse e non lineari.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Il valore dell'accuratezza della matrice di confusione per le viste sagittali
Lasso di tempo: 1 giorno
|
È un layout di tabella specifico che consente la visualizzazione delle prestazioni di un algoritmo.
|
1 giorno
|
|
Il valore dell'accuratezza della matrice di confusione per le viste assiali
Lasso di tempo: 1 giorno
|
È un layout di tabella specifico che consente la visualizzazione delle prestazioni di un algoritmo.
|
1 giorno
|
Collaboratori e investigatori
Sponsor
Investigatori
- Investigatore principale: Hakan Yilmaz, Karabuk University, Faculty of Engineering
- Investigatore principale: Murat Korkmaz, Istanbul University, Faculty of Medicine
Studiare le date dei record
Studia le date principali
Inizio studio (EFFETTIVO)
Completamento primario (EFFETTIVO)
Completamento dello studio (EFFETTIVO)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (EFFETTIVO)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (EFFETTIVO)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- KAEK/2020.07.129
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Periodo di condivisione IPD
Tipo di informazioni di supporto alla condivisione IPD
- STUDIO_PROTOCOLLO
- LINFA
- ICF
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 .