Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Ricerca sulla lesione del labbro acetabolare basata su MR: modello di apprendimento profondo multi-angolo

29 giugno 2021 aggiornato da: Peking University Third Hospital
Lo scopo di questo studio è studiare le immagini MRI della lesione del labbro acetabolare mediante il metodo dell'apprendimento profondo e provare a stabilire un modello combinato di immagini seriali assiali e coronali e confrontarle con l'accuratezza diagnostica dei radiologi, per stabilire un metodo di apprendimento profondo per identificazione e classificazione accurate delle lesioni del labbro acetabolare.

Panoramica dello studio

Stato

Completato

Condizioni

Intervento / Trattamento

Descrizione dettagliata

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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

Osservativo

Iscrizione (Effettivo)

1261

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

  • Cina
    • Beijing
      • Beijing, Beijing, Cina, 010
        • Peking University Third Hospital

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

No

Sessi ammissibili allo studio

Tutto

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Da settembre 2018 a settembre 2020, la risonanza magnetica è stata eseguita presso il Dipartimento di Radiologia, il Terzo Ospedale dell'Università di Pechino.

Descrizione

Criterio di inclusione:

  1. Senza alcun trattamento prima dell'esame di imaging;
  2. La RM dell'articolazione dell'anca è stata eseguita entro tre mesi prima dell'operazione e la qualità dell'immagine era buona;
  3. L'operazione artroscopica è stata eseguita nel nostro ospedale e le registrazioni dell'operazione erano complete.

Criteri di esclusione:

  1. Storia di chirurgia dell'anca, tumore o frattura precedente;
  2. Immagine poco chiara, artefatto grave o dati clinici incompleti.

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

  • Modelli osservazionali: Caso di controllo
  • Prospettive temporali: Retrospettiva

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Gruppo di controllo normale - Grado 0
L'esame artroscopico dell'anca era normale e il labbro era intatto senza lesioni o strappi.
Test diagnostico: Test diagnostico
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.
Test diagnostico: Test diagnostico
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.
Test diagnostico: Test diagnostico
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

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

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Peking University Third Hospital

Investigatori

  • Cattedra di studio: huishu Yuan, MD, Peking University Third 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)

1 dicembre 2020

Completamento primario (Effettivo)

30 aprile 2021

Completamento dello studio (Effettivo)

30 maggio 2021

Date di iscrizione allo studio

Primo inviato

29 giugno 2021

Primo inviato che soddisfa i criteri di controllo qualità

29 giugno 2021

Primo Inserito (Effettivo)

2 luglio 2021

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

2 luglio 2021

Ultimo aggiornamento inviato che soddisfa i criteri QC

29 giugno 2021

Ultimo verificato

1 giugno 2021

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Termini MeSH pertinenti aggiuntivi

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)?

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 .

Prove cliniche su Test diagnostico

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Hong Kong

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi