MR 기반 비구순 손상에 관한 연구: 다각도 딥러닝 모델
2021년 6월 29일 업데이트: Peking University Third Hospital
본 연구의 목적은 비구순 손상의 MRI 영상을 딥러닝 방법으로 연구하고, 축상과 관상 연속 영상의 조합 모델을 확립하고, 영상의학과 전문의의 진단 정확도와 비교하여 딥러닝 방법을 확립하는 것이다. 비구순 손상의 정확한 식별 및 분류.
연구 개요
상세 설명
- CNN 기반 비구순 영상의 검출: axial 및 coronal T2-fs 영상을 사용하였고, 모든 영상을 보정 및 표준화하였다. CNN을 적용하여 비구순 구조가 있는 이미지를 인식하고 학습하여 전체 시퀀스에서 비구순 구조가 있는 이미지를 선택하고 비구순 구조가 없는 이미지를 삭제합니다. 모든 데이터는 훈련 세트(70%, 검증 세트로 훈련 세트에서 30%)와 모델 인식의 정확도를 평가하기 위한 테스트 세트로 나머지 30%로 나뉩니다. 얻은 결과를 다음 단계에 입력합니다.
- Densenet 기반 비구순 인식 및 분할: Densenet을 사용하여 선택한 이미지에서 비구순을 인식하고 학습합니다. LabelImg는 비구순 좌표를 수동으로 찾은 다음 인식 학습을 위해 Python에 입력하는 데 사용되었습니다. 모든 데이터를 훈련 세트(70%, 훈련 세트 중 30%를 검증 세트로 선택)로 나누고, 나머지 30%를 모델 인식의 정확도를 평가하기 위한 테스트 세트로 사용했습니다. 음순 구조를 식별한 후, 음순 구조는 국부적으로 절단되고 확대되어 중복 정보를 제거합니다. 마지막으로 결과를 다음 단계에 입력합니다.
- 3D-CNN에 기반한 비구순 손상의 식별 및 등급: 입력 데이터는 3D-CNN 모델에 의해 식별되고 등급이 매겨졌습니다. 3D-CNN은 입력 레이어, 하드 와이어 레이어 H1, 컨볼루션 레이어 C2, 다운샘플링 레이어 S3, 컨볼루션 레이어 C4, 다운샘플링 레이어 S5, 컨볼루션 레이어 C6 및 출력 레이어의 8개 레이어로 나뉩니다. 3D-CNN은 여러 개의 연속된 프레임을 쌓아 큐브를 구성한 다음 큐브에서 3D 컨볼루션 커널을 사용합니다. 이 구조를 통해 컨볼루션 레이어의 특징 이미지는 이전 레이어의 여러 인접 프레임과 연결되어 연속 이미지의 정보 획득을 실현합니다. 마찬가지로 데이터를 훈련 세트로 나누고(70% 훈련 세트의 30%를 검증 세트로 선택), 나머지 30%를 테스트 세트로 사용하여 부상을 식별하기 위한 분류 정확도를 평가했습니다. 음순의 손상 사례를 분류합니다.
- 조합 모델: 위의 과정(1-3)에 따라 axial과 coronal 이미지에 대해 각각 모델을 설정한 후 CNN 분류 모델의 출력 특성에 따라 서로 다른 등급의 확률을 예측하여 출력 결과를 내는데, 출력 결과는 이러한 확률을 기반으로 최대 가능한 확률의 표현 형식을 선택합니다. 우리의 조합 모델은 이러한 다양한 분류의 확률을 평균화하고 최종 예측 확률을 계산한 다음 최종 모델을 얻습니다. 세 번째 단계의 테스트 세트(축상 및 관상 이미지의 혼합 데이터 포함)를 사용하여 모델을 검증했습니다.
- 영상의학과 딥러닝 비교 : 위 3단계에서 테스트 세트 사례를 나열하고 2명의 MSK 전문 방사선과 전문의에게 손상 여부와 손상 정도를 분류하도록 요청하고 인공진단으로 결과와 비교(두 의사가 독립적으로 이미지 판독) 프롬프트 없이 보고서를 작성하는 정상적인 상태를 시뮬레이션하여 진단 결과를 얻었습니다.) 마지막으로 4단계에서 얻은 조합모델과 인공진단의 정확도를 비교하였다.
연구 유형
관찰
등록 (실제)
1261
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
Beijing
-
Beijing, Beijing, 중국, 010
- Peking University Third Hospital
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
연구 대상 성별
모두
샘플링 방법
비확률 샘플
연구 인구
2018년 9월부터 2020년 9월까지 북경대학교 제3병원 방사선과에서 MRI를 시행했습니다.
설명
포함 기준:
- 영상검사 전 어떠한 치료도 하지 않고;
- 고관절의 MR은 수술 전 3개월 이내에 시행하였고 영상의 질은 양호하였다.
- 우리 병원에서 관절경 수술을 시행하였고 수술 기록은 완전하였다.
제외 기준:
- 고관절 수술, 종양 또는 이전 골절의 병력;
- 불분명한 이미지, 심각한 인공물 또는 불완전한 임상 데이터.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
- 관찰 모델: 케이스 컨트롤
- 시간 관점: 회고전
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
정상대조군 - 0등급
고관절의 관절경 검사는 정상이었고 관절순은 손상이나 찢어짐 없이 손상되지 않았습니다.
|
고관절 관절경 검사의 결과를 금본위제로 삼고 MRI 검사를 연구 대상으로 삼았다.
|
|
인대 손상 -등급 1
고관절의 관절경 검사에서 관절순 변성 또는 손상이 관찰되었으나 국부적 또는 완전한 파열은 없었습니다.
|
고관절 관절경 검사의 결과를 금본위제로 삼고 MRI 검사를 연구 대상으로 삼았다.
|
|
인대파열-2도
고관절의 관절경 검사에서 관절순의 부분적 또는 완전한 손실이 드러났습니다.
|
고관절 관절경 검사의 결과를 금본위제로 삼고 MRI 검사를 연구 대상으로 삼았다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
MR 기반 비구순 손상 연구: 다각도 딥러닝 모델
기간: 2020.12.01-2021.05.30
|
음순 손상의 진단 및 등급화를 위해 딥 러닝 모델을 얻었고 다른 단계의 의사와 비교했습니다.
|
2020.12.01-2021.05.30
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 연구 의자: huishu Yuan, MD, Peking University Third Hospital
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2020년 12월 1일
기본 완료 (실제)
2021년 4월 30일
연구 완료 (실제)
2021년 5월 30일
연구 등록 날짜
최초 제출
2021년 6월 29일
QC 기준을 충족하는 최초 제출
2021년 6월 29일
처음 게시됨 (실제)
2021년 7월 2일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2021년 7월 2일
QC 기준을 충족하는 마지막 업데이트 제출
2021년 6월 29일
마지막으로 확인됨
2021년 6월 1일
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .