Pilotstudie over diep leren in het oog (IDLE)
5 januari 2021 bijgewerkt door: Pieter Nelis, CRG UZ Brussel
Validatie van een Transfer Learning Deep Learning-algoritme voor beeldclassificatie bij meerdere pathologieën
Met deep learning kunt u afbeeldingen classificeren met behulp van een zelflerend algoritme.
Transfer learning bouwt voort op een bestaand zelflerend algoritme om beeldclassificatie met minder beelden mogelijk te maken.
In deze studie zal deze techniek worden toegepast op verschillende beeldmodaliteiten bij verschillende ziektebeelden.
Retrospectieve onderzoeksopzet.
Studie Overzicht
Toestand
Onbekend
Interventie / Behandeling
Studietype
Observationeel
Inschrijving (Verwacht)
120
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
18 jaar tot 100 jaar (Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
Ja
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Gezonde en niet-gezonde proefpersonen: haal data uit beschikbare beelden
Beschrijving
Inclusiecriteria:
- Beschikbaarheid van afbeeldingen die discriminatie mogelijk maken.
Uitsluitingscriteria:
- Geen beschikbaarheid van duidelijke gegevens over ziektedifferentiatie
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Geen pathologie
|
|
|
Pathologie
|
Beeldclassificatie met behulp van een algoritme voor diep leren
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Tijdsspanne |
|---|---|
|
Validatie van beeldclassificatie door algoritme voor overdrachtsleren
Tijdsspanne: 1 jaar
|
1 jaar
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Verwacht)
1 februari 2021
Primaire voltooiing (Verwacht)
1 december 2021
Studie voltooiing (Verwacht)
1 december 2022
Studieregistratiedata
Eerst ingediend
7 december 2020
Eerst ingediend dat voldeed aan de QC-criteria
7 december 2020
Eerst geplaatst (Werkelijk)
11 december 2020
Updates van studierecords
Laatste update geplaatst (Werkelijk)
7 januari 2021
Laatste update ingediend die voldeed aan QC-criteria
5 januari 2021
Laatst geverifieerd
1 januari 2021
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- IDLE1000
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
product vervaardigd in en geëxporteerd uit de V.S.
Nee
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 .