Multimodal Imaging-assisted Diagnosis Model for Cervical Spine Tumors
2021년 7월 4일 업데이트: Peking University Third Hospital
Based on a Small Sample Deep Learning Multi-modal Image-assisted Diagnosis Model of Cervical Spine Tumors Clinical Application Research
Cervical spine tumor is a small sample of tumor disease with low incidence, great harm, and complex anatomical structure. It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.
The deep learning model we constructed in the early stage has a higher accuracy rate for the image diagnosis of cervical spondylosis with a large number of cases, and a better clinical application effect, but the accuracy rate for cervical spine tumors with a small number of cases is lower. The reason may be the amount of data. With limited tasks, the traditional deep learning model is difficult to play an effective role.
Based on this, we propose to build a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors with multimodal images, and to evaluate the benign and malignant tumors.
연구 개요
상태
완전한
정황
상세 설명
Cervical spine tumor is a small-sample tumor disease with low incidence, great harm, and complex anatomical structure.
It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.
The deep learning model we constructed in the early stage is suitable for the large number of cases.
The imaging diagnosis of cervical spondylosis has a high accuracy rate and a good clinical application effect, but the accuracy rate is low for cervical spine tumors with a small number of cases.
The reason may be that for tasks with limited amount of data, the traditional deep learning model is difficult to play an effective role.
Based on this, we propose to construct a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors in multi-modal imaging, and to evaluate the benign and malignant tumors.
This research will not only improve the efficiency and efficiency of cervical spine tumor imaging diagnosis.
Accuracy, to guide clinical personalized treatment, will also provide a basis for the clinical application of deep learning in the field of small samples, which has important clinical significance.
연구 유형
관찰
등록 (실제)
600
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
-
Beijing, 중국
- 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
18년 (성인)
건강한 자원 봉사자를 받아들입니다
아니
연구 대상 성별
모두
샘플링 방법
비확률 샘플
연구 인구
Inclusion criteria: clinically suspected cervical spine tumors, multi-modality (X-ray, CT, MR) imaging, followed by needle biopsy or surgery to confirm the tumor, and pathology report.
Exclusion criteria: surgery or radiotherapy before imaging, cervical spine Those who have fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed an informed consent.
설명
Inclusion Criteria:
- 18-50 years old, about 300 males and females; in the orthopedics outpatient and emergency department of our hospital, the imaging scans (X-ray, CT, MR) showed no obvious abnormalities.
Exclusion Criteria:
- have had surgery before acquiring the images, Those who have cervical spine fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed the informed consent. The normal control group" includes about 600 patients with normal or slightly degenerated cervical spine, as a standard for training computers to recognize cervical spine structures Images and control images for detecting tumor lesions.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
|---|
|
X-ray
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
|
CT
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
|
MRI
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
tumor detection
기간: 2022-2023
|
On the basis of the cervical spine structure, it is the modeling of the tumor.
The model based on weakly supervised learning recognizes the morphological features such as the size of the tumor lesion, and uses the fast-adapted meta-learning method to achieve a fast model under a small amount of training.
Optimize, and finally evaluate the benignity, borderline and malignant probability of the tumor and use it as an output.
|
2022-2023
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
cervical spine detection
기간: 2022-2023
|
Taking the postoperative pathology report of cancer patients as the audit standard, testing the sensitivity and accuracy of the model, and integrating it into a complete deep learning model.
|
2022-2023
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 연구 의자: hanqiang ouyang, 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 1월 1일
기본 완료 (실제)
2020년 6월 1일
연구 완료 (실제)
2021년 6월 1일
연구 등록 날짜
최초 제출
2021년 7월 4일
QC 기준을 충족하는 최초 제출
2021년 7월 4일
처음 게시됨 (실제)
2021년 7월 13일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2021년 7월 13일
QC 기준을 충족하는 마지막 업데이트 제출
2021년 7월 4일
마지막으로 확인됨
2021년 7월 1일
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- IRB00006761-M2020255
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
아니요
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
아니
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. .