- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04140565
Positronemissietomografie (PET)-afbeeldingen met behulp van diepe neurale netwerken
Extractie van diagnostische positronemissietomografie (PET)-beelden van 10 seconden bedpositie-acquisitie, met behulp van diepe neurale netwerken
PET-beelden zijn gebaseerd op het detecteren van twee annihilatie 511 KeV-fotonen die worden geproduceerd door positron-emitterende isotopen. Hoe langer de acquisitietijd, hoe meer fotonen worden gedetecteerd en verwerkt, wat resulteert in een betere beeldkwaliteit. Lange scantijden (meestal 20-40 minuten per scan) zijn echter minder handig voor patiënten en kunnen leiden tot beweging en verkeerde uitlijning van de patiënt.
verschillende studies hebben machine learning gebruikt om diagnostische beelden te produceren van beelden van lage kwaliteit. Het doel van onze studie is om diagnostische PET-beelden te produceren met een acquisitietijd van 10 seconden per bedpositie met behulp van DNN-algoritmen
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Positronemissietomografie (PET)/computertomografie (CT), met het gebruik van verschillende tracers, waarvan fluordeoxyglucose (FDG) de meest voorkomende is, is een van de belangrijkste beeldvormingsmodaliteiten in de oncologie geworden. De PET- en CT-componenten weerspiegelen respectievelijk metabole en anatomische informatie. PET-beelden zijn gebaseerd op het detecteren van twee annihilatie 511 KeV-fotonen die worden geproduceerd door positron-emitterende isotopen. Hoe langer de acquisitietijd, hoe meer fotonen worden gedetecteerd en verwerkt, wat resulteert in een betere beeldkwaliteit. Lange scantijden (meestal 20-40 minuten per scan) zijn echter minder handig voor patiënten en kunnen leiden tot beweging en verkeerde uitlijning van de patiënt. In de loop der jaren zijn verschillende methoden ontwikkeld, zoals 3D- en time-of-flight-acquisities, om de verslechtering van de beeldkwaliteit als gevolg van de verkorting van de scantijd te compenseren. Onlangs hebben verschillende onderzoeken machine learning gebruikt om diagnostische beelden te produceren van beelden van lage kwaliteit. Xiang et al vergeleken PET-beelden van de hersenen die in 3 minuten werden verkregen (d.w.z. PET van lage kwaliteit (LPET)) met standaard PET-beelden (d.w.z. SPET) die in 12 minuten werden verkregen. Ze hebben LPET- en T1-gewogen beelden gecombineerd met behulp van diepe neurale netwerken (DNN) om diagnostische PET-beelden te produceren die gelijkwaardig zijn aan SPET-beelden.
Het doel van onze studie is om diagnostische PET-beelden te produceren met een acquisitietijd van 10 seconden per bedpositie met behulp van DNN-algoritmen die zijn ontwikkeld in het CILAB-laboratorium op de beeldvormingsafdeling van Sheba.
De algoritmen werden eerder met succes gevalideerd voor het verwijderen van ruis in ultra-lage dosis CT-thoraxscans, waardoor ze geschikt zijn voor screening op longkanker. De algoritmen zijn gebaseerd op het algoritme Local-Consistent Non-Local Means (LC-NLM).
Het LC-NLM-algoritme gebruikt snelle benaderende dichtstbijzijnde buren (ANN) om de meest vergelijkbare patch met hoge SNR te vinden, in een speciaal gebouwde database, voor elke patch met ruis in het invoerbeeld (Green et al.) ] We stellen voor om de recent introduceerde niet-lokale neurale netwerken (Wang et al.) om de LC-NLM te stapelen tot een volledig trainbaar, lokaal consistent niet-lokaal blok (LC-NLB). De oorspronkelijke niet-lokale netwerken combineren de ideeën van het klassieke niet-lokale middelen (NLM)-algoritme (Buades et al.) tot een neuraal netwerkblok, dat de uitvoer op een specifieke positie berekent als een gewogen som van de kenmerken op alle posities .
Studietype
Inschrijving (Verwacht)
Contacten en locaties
Studie Locaties
-
-
-
Ramat Gan, Israël, 52621
- Sheba Medical Center Hospital- Tel Hashomer
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:Patiënten die FDG PET/CT uitvoeren -
Uitsluitingscriteria:1. Onder 18 jaar oud. 2. PET/CT uitgevoerd met een andere radio-isotoop dan FDG.
-
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Productie van diagnostische PET-beelden met behulp van algoritmen voor diepe neurale netwerken
Tijdsspanne: 2 jaar
|
Om PET-afbeeldingen te produceren, vormen zeer korte bedposities die qua kwaliteit gelijkwaardig zijn aan de standaard PET-afbeeldingen
|
2 jaar
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Liran Domachevsky, MD, Sheba Medical Center
Studie record data
Bestudeer belangrijke data
Studie start (VERWACHT)
Primaire voltooiing (VERWACHT)
Studie voltooiing (VERWACHT)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (WERKELIJK)
Updates van studierecords
Laatste update geplaatst (WERKELIJK)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Andere studie-ID-nummers
- SHEBA-19-6267-LD-CTIL
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .