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.

Algoritmi di ricostruzione del deep learning in doppia CTA a basso dosaggio

16 aprile 2024 aggiornato da: Hao Tang

Valutazione degli algoritmi di ricostruzione del deep learning nell'imaging vascolare TC doppio a basso dosaggio

L'obiettivo di questo studio osservazionale è valutare l'impatto della ricostruzione dell'immagine con deep learning sulla qualità dell'immagine e sulle prestazioni diagnostiche della doppia CTA a basso dosaggio. La domanda principale a cui si propone di rispondere è esplorare la fattibilità della ricostruzione dell’immagine con apprendimento profondo in una doppia CTA a basso dosaggio.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

  1. Sono stati inclusi i dati grezzi dei pazienti sottoposti a TC della testa e del collo, TC coronarica e TC addominale sia nei gruppi a dose standard che in quelli a doppia dose bassa.
  2. Sono state eseguite tecniche come la retroproiezione filtrata, la ricostruzione iterativa e la ricostruzione con apprendimento profondo.
  3. La fattibilità della ricostruzione con deep learning nella doppia CTA a basso dosaggio è stata valutata in base alla qualità dell'immagine e alle prestazioni diagnostiche.

Tipo di studio

Osservativo

Iscrizione (Stimato)

1200

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: Youfa M Tang, Doctor
  • Numero di telefono: 8613554101223
  • Email: 1525573397@qq.com

Backup dei contatti dello studio

Luoghi di studio

  • Cina
    • Hubei
      • Wuhan, Hubei, Cina, 430000
        • Reclutamento
        • Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
        • Contatto:

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

Sì

Metodo di campionamento

Campione di probabilità

Popolazione di studio

Adulti sani o malati sottoposti a imaging vascolare TC

Descrizione

Criterio di inclusione:

  • Pazienti con TC della testa e del collo, TC dell'arteria coronaria e TC addominale a causa di ictus, malattia coronarica e malattia infiammatoria addominale e tumori addominali.

Criteri di esclusione:

  • Età <18 anni, gravidanza, reazione allergica al mezzo di contrasto iodio, insufficienza renale e grave ipertiroidismo.

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
Intervento / Trattamento
Gruppo di dose standard
Sono stati inclusi i dati grezzi di 400 pazienti con CTA testa e collo a dose convenzionale, CTA coronarica e CTA addominale. Sono state eseguite la retroproiezione filtrata, l'iterazione e la ricostruzione del deep learning. Valutare l’impatto della ricostruzione con deep learning sulla qualità dell’immagine e sulle prestazioni diagnostiche nei pazienti con CTA a dose convenzionale.
Test diagnostico: Ricostruzione di immagini con apprendimento profondo
La ricostruzione dell'immagine con apprendimento profondo (DLIR) è un algoritmo di riduzione del rumore dell'intelligenza artificiale recentemente sviluppato negli ultimi anni. Addestra enormi set di dati FBP di alta qualità per imparare a distinguere il rumore e il segnale, in modo da ridurre selettivamente il rumore e ricostruire immagini di alta qualità con dati di immagine di bassa qualità.
Gruppo a doppia dose bassa
Sono stati inclusi i dati grezzi di 800 pazienti con basso voltaggio del tubo e TC della testa e del collo con mezzo di contrasto, TC coronarica e TC addominale. Sono state eseguite la retroproiezione filtrata, l'iterazione e la ricostruzione del deep learning. Valutare l’impatto della ricostruzione con deep learning sulla qualità dell’immagine e sulle prestazioni diagnostiche nei pazienti con CTA a doppia dose bassa.
Test diagnostico: Ricostruzione di immagini con apprendimento profondo
La ricostruzione dell'immagine con apprendimento profondo (DLIR) è un algoritmo di riduzione del rumore dell'intelligenza artificiale recentemente sviluppato negli ultimi anni. Addestra enormi set di dati FBP di alta qualità per imparare a distinguere il rumore e il segnale, in modo da ridurre selettivamente il rumore e ricostruire immagini di alta qualità con dati di immagine di bassa qualità.

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
La specificità e la sensibilità calcolate attraverso il valore di cutoff ottimale della curva caratteristica operativa del ricevitore.
Lasso di tempo: 2026.1
La specificità e la sensibilità sono state calcolate separatamente per il gruppo a dose standard e per il gruppo a doppia dose bassa utilizzando il valore di cutoff ottimale dalla curva caratteristica operativa del ricevitore, allo scopo di confrontare l'accuratezza diagnostica tra i due gruppi.
2026.1

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Il rapporto segnale-rumore calcolato dai valori CT dell'immagine e dal rumore
Lasso di tempo: 2026.1
Il rapporto segnale-rumore è stato calcolato separatamente per il gruppo a dose standard e per il gruppo a doppia dose bassa utilizzando i valori CT dell'immagine e il rumore, per valutare la qualità dell'immagine tra i due gruppi.
2026.1

Collaboratori e investigatori

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

Sponsor

Hao Tang

Investigatori

  • Investigatore principale: Hao Tang, Doctor, Tongji 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 giugno 2023

Completamento primario (Stimato)

1 dicembre 2025

Completamento dello studio (Stimato)

1 marzo 2026

Date di iscrizione allo studio

Primo inviato

11 aprile 2024

Primo inviato che soddisfa i criteri di controllo qualità

16 aprile 2024

Primo Inserito (Effettivo)

18 aprile 2024

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

18 aprile 2024

Ultimo aggiornamento inviato che soddisfa i criteri QC

16 aprile 2024

Ultimo verificato

1 aprile 2024

Maggiori informazioni

Termini relativi a questo studio

Altri numeri di identificazione dello studio

  • 102122

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

Descrizione del piano IPD

Per proteggere la privacy dei partecipanti, i dati rilevanti non vengono condivisi fino al consenso dei partecipanti

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 .

Sottoscrivi