SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
29 giugno 2021 aggiornato da: Peking University Third Hospital
This study intends to study the shoulder SLAP injury through deep learning technology and establish a deep learning model through the combination of axial and oblique coronal images to establish a deep learning method that can accurately identify and grade shoulder SLAP injury.
Panoramica dello studio
Stato
Non ancora reclutamento
Intervento / Trattamento
Descrizione dettagliata
- Recognition of labrum images based on LeNet: axial and oblique coronal T2-fs images were used, and all images were corrected and standardized. LeNet identified the images with labrum of the shoulder joint, and the images with labrum structure of shoulder joint were selected from the complete sequence. In contrast, the images without labrum structure were deleted. All the data are divided into a training set (70%, 30% in training set as verification set), and the remaining 30% as a test set to evaluate the accuracy of model recognition. Enter the obtained results into the next step.
- Recognition and segmentation of glenoid lip of shoulder joint based on DenseNet: the labrum is recognized by DenseNet in the selected image. The labelimg software based on Python was used to locate the labrum coordinates and then input them into Python for recognition learning. All the data were divided into a training set (70% and 30% of the training set were selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the labrum structure, the labrum structure is locally cut and enlarged to remove the redundant information and improve the recognition efficiency and accuracy. Finally, input the result to the next step.
- Recognition and grading of shoulder SLAP injury based on 3D-CNN: recognition and grading of input data through 3D-CNN model. 3D-CNN is divided into eight layers: input layer, hard wire layer H1, convolution layer C2, downsampling layer S3, convolution layer C4, downsampling layer S5, convolution layer C6 and output layer. 3D-CNN constructs a cube by stacking multiple consecutive frames and then uses a 3D convolution kernel in the cube. Through this structure, the feature images in the convolution layer will be connected with multiple adjacent frames in the previous layer to realize the information acquisition of continuous images. Similarly, the data is divided into a training set (70%, and then 30% of the training set is selected as the verification set), and the remaining 30% is used as the test set to evaluate the classification accuracy to identify whether there is labrum injury and grade the image with injury.
- Establish CNN combined model: after establishing the model for the axial and oblique coronal view according to the above process (1-3), according to the output characteristics of the CNN classification model, predict the probability of different grades before the output results, and the output results are based on these probabilities to select the expression form of the maximum possible probability. Our combined model averages the probabilities of these different classifications, calculates the final prediction probability, and then obtains the final joint model. The test set of the third step (including the mixed data of axial and coronal images) was used to verify the joint model.
Tipo di studio
Osservativo
Iscrizione (Anticipato)
800
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: huishu Yuan, MD
- Numero di telefono: 15810245738
- Email: huishuy@bjmu.edu.cn
Backup dei contatti dello studio
- Nome: Ming Ni, MD
- Numero di telefono: +8613884794867
- Email: sdyingxiang2017@163.com
Luoghi di studio
-
-
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
N/A
Sessi ammissibili allo studio
Tutto
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
Collect and analyze patients who underwent shoulder MR examinations in the Department of Radiology, Peking University Third Hospital from September 2018 to September 2020.
Descrizione
Inclusion Criteria:
- Without any treatment before imaging examination;
- MR of the shoulder joint was performed within 3 months before the operation and the image quality was good;
- Arthroscopic operation was performed in our hospital, and the operation records were complete.
Exclusion Criteria:
- History of shoulder surgery, tumor, or previous fracture;
- Unclear image, serious artifact, or incomplete clinical data.
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 |
|---|---|
|
Normal control group-Grade 0
Arthroscopic examination of the labrum was normal, and the labrum was intact without injury or tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament injury -Grade 1
Arthroscopic examination of the shoulder showed labrum degeneration or injury, but no local or complete tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament tear-Grade 2
Arthroscopy of the shoulder revealed partial or complete loss of labrum.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
Lasso di tempo: 2021.10.1-2022.7.1
|
The model of deep learning was obtained for diagnosis and grading of SLAP injury and compared with the radiologists of different stages.
|
2021.10.1-2022.7.1
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
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 (Anticipato)
1 ottobre 2021
Completamento primario (Anticipato)
1 giugno 2022
Completamento dello studio (Anticipato)
1 luglio 2022
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)
7 luglio 2021
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
7 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
- M2020458
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 .