Een nieuwe techniek voor de behandeling van netvliesaandoeningen
18 januari 2021 bijgewerkt door: Second Affiliated Hospital, School of Medicine, Zhejiang University
Onderzoek naar intelligente diagnose en automatische laesie-tracking voor nauwkeurige behandeling van netvliesaandoeningen op basis van deep-learning
Met de komst van het tijdperk van precisiegeneeskunde, gebaseerd op FFA-beeld diep leren om het gebied van funduslaesies te identificeren, registratie van fundusbeelden, volgens de ernst van fundusziekten om de optimale laserenergie en -pad te ontwerpen, de nauwkeurige behandeling van fundus ziekten heeft dringende klinische behoeften en zeer belangrijke betekenis
Studie Overzicht
Toestand
Werving
Conditie
Gedetailleerde beschrijving
- Gestructureerde DR-beelddatabase Constructie en nauwkeurige annotatie: retrospectief (van 1 januari 2016 tot de dag van ethische beoordeling) en prospectief (vanaf de dag van ethische beoordeling tot 31 december 2023) verzamelde FFA en andere multimodale beeldgegevens. Verschillende oogartsen en senior experts op het gebied van fundusaandoeningen voerden een diagnostische evaluatie uit van elk beeld van elke patiënt en voltooiden de nauwkeurige beoordelingsdiagnose van de gegevens. Uiteindelijk werd stap voor stap een gestructureerde Dr-database opgezet. Dit artikel gebruikt de theorie van computervisie om de kwaliteitsvervorming van FFA-beelden te kwantificeren, begeleidt de computer om de bestaande beeldverbeterings- en ruisonderdrukkingsalgoritmen adaptief te configureren en voltooit de voorverwerking van fundusbeeldgegevens.
- Constructie van Dr. intelligent beoordelingsdiagnosesysteem op basis van fundusbeeld: ten eerste wordt het fundusbeeld gebruikt als de fundusgegevenstrainingsdatabase, en volgens de internationale klinische Dr. beoordelingsdiagnosestandaard markeren veel artsen het fundusbeeld nauwkeurig. Internationale klinische Dr-beoordelingscriteria: graad 0, geen duidelijke afwijkingen aan het netvlies; graad 1, alleen microangioom; graad 2, ernstiger dan microangioom, maar minder ernstig dan ernstig; graad 3, vier kwadranten, elk kwadrant heeft meer dan 20 retinale bloedingen, meer dan twee kwadranten hebben duidelijke veneuze kralen, meer dan één kwadrant heeft duidelijke Irma, geen tekenen van proliferatieve retinopathie; graad 4, neovascularisatie, glasvochtbloeding Volume bloed, pre-retinale bloeding. Op basis van de intelligente diagnosestandaard van Dr., wordt een convolutie-neuraal netwerk geconstrueerd om fundusbeelden te trainen en te beoordelen. Nadat dit proces vele malen is herhaald voor elk beeld in de trainingsset van fundusbeelden, leert het deep learning-systeem hoe alle gegevens in de trainingsset moeten worden geclassificeerd om de fundusbeelden nauwkeurig te kunnen diagnosticeren.
- Convolutie neurale netwerkconstructie voor FFA-beeldfocusgebied: het convolutie neurale netwerk van diep leren is samengesteld uit miljoenen parameters, die worden gebruikt om gegeven taken te trainen en uit te voeren. De uitvoer die door elke lineaire convolutiebewerking wordt gegenereerd, wordt geregulariseerd door een niet-lineaire activeringsfunctie, gecombineerd met de dimensionaliteitsreductie van de poollaag en de volledige verbindingslaag, zodat het optimalisatieproces van een diep neuraal netwerk niet alleen de gradiëntdispersie overwint, maar ook helpt bij het genereren van kenmerken vergelijkbaar met het hiërarchische waarnemingsmechanisme van menselijke neurale cellen voor visuele signalen. De FFA-afbeelding wordt gebruikt als de fundusdata-trainingsdatabase. Op basis van de nauwkeurige labeling van het laesiegebied (geen perfusiegebied, microangiomagebied en lekkagegebied), moet het FFA-beeld worden behandeld voor de intelligente herkenning van het laesiegebied. Tijdens het trainingsproces worden de parameters van het neurale netwerk aanvankelijk ingesteld op willekeurige waarden. Vervolgens worden voor elk beeld de resultaten van de functie vergeleken met de bekende resultaten van de trainingsset om de parameters van de functie te optimaliseren. Na dit proces vele malen te hebben herhaald voor elke afbeelding in de trainingsgegevensset, leerde het deep learning-systeem hoe alle gegevens in de trainingsset te classificeren om de Dr-laesies op FFA-afbeeldingen nauwkeurig te voorspellen.
- Constructie van intelligent funduslasernavigatiemodel op basis van FFA-beeld en fundusbeeldregistratie: het Dr laesie intelligente herkenningssysteem op het bovenstaande FFA-beeld identificeert nauwkeurig de gebieden die funduslaserbehandeling nodig hebben, helpt artsen bij het bepalen van de laesies die moeten worden behandeld, en op basis op de beeldafstemming van machine learning, levert het registratiebeeld van fundusbeeld en FFA-combinatie, dat wordt ingesteld op basis van de locatie- en grootte-informatie van het laesiegebied. Volgens de bijpassende netvliesdiameter en de opstelling van verschillende laserspots, de gepersonaliseerde laser behandelschema is geformuleerd en het intelligente fundus laserbehandelingsbegeleidingsmodel is geconstrueerd.
Studietype
Observationeel
Inschrijving (Verwacht)
2000
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studiecontact
- Naam: Jin Kai, MD
- Telefoonnummer: 13646828461
- E-mail: jinkai@zju.edu.cn
Studie Locaties
-
-
Zhejiang
-
Hanzhou, Zhejiang, China
- Werving
- The Second Affiliated Hospital of Zhejiang University
-
Contact:
- Jin Kai, MD
- Telefoonnummer: 13646828461
-
-
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
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Ja
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
patiënten ondergaan netvliesonderzoek in het oogcentrum in het Second Affiliated Hospital van de Zhejiang University
Beschrijving
Inclusiecriteria:
- patiënten met aandoeningen van het netvlies
Uitsluitingscriteria:
- patiënten met een andere ziekte beïnvloeden het netvliesonderzoek
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 |
|---|
|
patiënten
patiënten met aandoeningen van het netvlies
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
kunstmatige intelligentie
Tijdsspanne: 2016.01-2023.12
|
data gebruiken om deep learning-modellen te ontwikkelen
|
2016.01-2023.12
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Onderzoekers
- Hoofdonderzoeker: Jin Kai, MD, Zhejiang University
- Hoofdonderzoeker: Xu Yufeng, MD, Zhejiang University
- Hoofdonderzoeker: Lou Lixia, MD, Zhejiang University
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 (Werkelijk)
1 januari 2016
Primaire voltooiing (Verwacht)
1 januari 2023
Studie voltooiing (Verwacht)
31 december 2023
Studieregistratiedata
Eerst ingediend
18 januari 2021
Eerst ingediend dat voldeed aan de QC-criteria
18 januari 2021
Eerst geplaatst (Werkelijk)
22 januari 2021
Updates van studierecords
Laatste update geplaatst (Werkelijk)
22 januari 2021
Laatste update ingediend die voldeed aan QC-criteria
18 januari 2021
Laatst geverifieerd
1 januari 2021
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 研2019-428
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
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 .