Lo sviluppo della piattaforma software di imaging quantitativo a ultrasuoni
18 aprile 2023 aggiornato da: Seoul National University Bundang Hospital
Lo sviluppo di una piattaforma software di imaging ad ultrasuoni strutturale-funzionale e quantitativo ad alte prestazioni basata sull'intelligenza artificiale
L'obiettivo di questo studio osservazionale è confrontare le differenze di immagine tra gli ultrasuoni convenzionali e il software ecografico basato sull'intelligenza artificiale negli adulti coscienti.
La domanda principale a cui si propone di rispondere è valutare l'efficacia determinando che il nuovo metodo di analisi delle immagini è considerato valido se aiuta a identificare più del 30% delle caratteristiche istologiche.
I partecipanti si sottoporranno all'esame utilizzando i due metodi menzionati in precedenza dopo aver firmato il modulo di consenso.
Panoramica dello studio
Stato
Iscrizione su invito
Tipo di studio
Osservativo
Iscrizione (Anticipato)
196
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
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Corea, Repubblica di, 13620
- Seoul National University Bundang 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
- Adulto
- Adulto più anziano
Accetta volontari sani
No
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
Una persona che visita l'ospedale Bundang della Seoul National University per cure mediche o consulti.
Descrizione
Criterio di inclusione:
- Persone con malattie cardiache, malattie della tiroide, malattie del seno e malattie del fegato.
Criteri di esclusione:
- Qualcuno che ha subito un intervento chirurgico sull'organo bersaglio in questione.
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
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Informazioni ecografiche quantitative
Lasso di tempo: 5 anni
|
Immagini ecografiche quantitative di patologie cardiache, tiroidee e mammarie
|
5 anni
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Pubblicazioni e link utili
La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.
Pubblicazioni generali
- Cheng PM, Malhi HS. Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images. J Digit Imaging. 2017 Apr;30(2):234-243. doi: 10.1007/s10278-016-9929-2.
- Chi J, Walia E, Babyn P, Wang J, Groot G, Eramian M. Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network. J Digit Imaging. 2017 Aug;30(4):477-486. doi: 10.1007/s10278-017-9997-y.
- F. Milletari, N. Navab and S. -A. Ahmadi. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV), Stanford, CA, USA. 2016; 565-571.
- Ma J, Wu F, Jiang T, Zhu J, Kong D. Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images. Med Phys. 2017 May;44(5):1678-1691. doi: 10.1002/mp.12134. Epub 2017 Apr 17.
- Chen H, Zheng Y, Park JH, Heng PA, Zhou SK. (2016). Iterative Multi-domain Regularized Deep Learning for Anatomical Structure Detection and Segmentation from Ultrasound Images. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016. 2016; 9901.
- Lekadir K, Galimzianova A, Betriu A, Del Mar Vila M, Igual L, Rubin DL, Fernandez E, Radeva P, Napel S. A Convolutional Neural Network for Automatic Characterization of Plaque Composition in Carotid Ultrasound. IEEE J Biomed Health Inform. 2017 Jan;21(1):48-55. doi: 10.1109/JBHI.2016.2631401. Epub 2016 Nov 22.
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 settembre 2020
Completamento primario (Anticipato)
31 marzo 2026
Completamento dello studio (Anticipato)
31 marzo 2026
Date di iscrizione allo studio
Primo inviato
18 aprile 2023
Primo inviato che soddisfa i criteri di controllo qualità
18 aprile 2023
Primo Inserito (Effettivo)
1 maggio 2023
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
1 maggio 2023
Ultimo aggiornamento inviato che soddisfa i criteri QC
18 aprile 2023
Ultimo verificato
1 aprile 2023
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
- Malattie dell'apparato digerente
- Ischemia
- Processi patologici
- Necrosi
- Ischemia miocardica
- Malattie cardiache
- Malattia cardiovascolare
- Malattie vascolari
- Malattie della pelle
- Neoplasie
- Neoplasie per sede
- Malattie del sistema endocrino
- Malattie del fegato
- Infarto miocardico
- Infarto
- Neoplasie mammarie
- Malattie della tiroide
- Malattie del seno
- Malattia fibrocistica del seno
Altri numeri di identificazione dello studio
- B-1910-570-301
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 .