Onderzoek naar acetabulaire labrumletsel op basis van MR: Multi-angle Deep Learning Model
29 juni 2021 bijgewerkt door: Peking University Third Hospital
Het doel van deze studie is om de MRI-beelden van acetabulaire labrumletsel te bestuderen door middel van een diepe leermethode, en te proberen een combinatiemodel van axiale en coronale seriële beelden vast te stellen, en te vergelijken met de diagnostische nauwkeurigheid van radiologen, om een diepe leermethode vast te stellen voor nauwkeurige identificatie en classificatie van acetabulumlabrumletsel.
Studie Overzicht
Toestand
Voltooid
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
- Detectie van acetabulaire labrumbeelden op basis van CNN: axiale en coronale T2-fs-beelden werden gebruikt en alle beelden werden gecorrigeerd en gestandaardiseerd. CNN wordt toegepast om de afbeeldingen met acetabulaire labrumstructuur te herkennen en te leren om de afbeeldingen met acetabulaire labrumstructuur uit de volledige reeks te selecteren en de afbeeldingen zonder acetabulaire labrumstructuur te verwijderen. Alle gegevens zijn verdeeld in een trainingsset (70%, 30% in trainingsset als verificatieset) en de resterende 30% als testset om de nauwkeurigheid van modelherkenning te evalueren. Voer de verkregen resultaten in de volgende stap in.
- Herkenning en segmentatie van acetabulum labrum op basis van Densenet: gebruik van Densenet om het acetabulum labrum te herkennen en te leren van de geselecteerde beelden. LabelImg werd gebruikt om de acetabulaire labrum-coördinaten handmatig te lokaliseren en ze vervolgens in Python in te voeren voor herkenningsleren. Alle gegevens werden verdeeld in een trainingsset (70% en vervolgens 30% in de trainingsset werd geselecteerd als verificatieset), en de resterende 30% werd gebruikt als testset om de nauwkeurigheid van modelherkenning te evalueren. Na identificatie van de labrumstructuur wordt de labrumstructuur lokaal uitgesneden en vergroot om de overbodige informatie te verwijderen. Voer ten slotte het resultaat in voor de volgende stap.
- Identificatie en beoordeling van acetabulaire labrumletsel op basis van 3D-CNN: de invoergegevens werden geïdentificeerd en beoordeeld door het 3D-CNN-model. 3D-CNN is verdeeld in acht lagen: invoerlaag, harde draadlaag H1, convolutielaag C2, downsamplinglaag S3, convolutielaag C4, downsamplinglaag S5, convolutielaag C6 en uitvoerlaag. 3D-CNN construeert een kubus door meerdere opeenvolgende frames te stapelen en gebruikt vervolgens een 3D-convolutiekernel in de kubus. Door deze structuur zullen de kenmerkafbeeldingen in de convolutielaag worden verbonden met meerdere aangrenzende frames in de vorige laag om de informatieverwerving van continue afbeeldingen te realiseren. Evenzo werden de gegevens verdeeld in een trainingsset (70%, en vervolgens werd 30% van de trainingsset geselecteerd als verificatieset), en de resterende 30% werd gebruikt als testset om de classificatienauwkeurigheid te evalueren om de blessure te identificeren van het labrum en classificeer de gevallen met letsel.
- Combinatiemodel: volgens het bovenstaande proces (1-3), nadat de modellen zijn vastgesteld voor respectievelijk de axiale en coronale beelden, volgens de outputkenmerken van het CNN-classificatiemodel, worden de waarschijnlijkheden van verschillende graden voorspeld vóór de outputresultaten, en de uitvoerresultaten zijn gebaseerd op deze waarschijnlijkheden om de uitdrukkingsvorm van de maximaal mogelijke waarschijnlijkheid te selecteren. Ons combinatiemodel middelt de kansen van deze verschillende classificaties, berekent de uiteindelijke voorspellingskans en verkrijgt vervolgens het definitieve model. De testset van de derde stap (inclusief de gemengde gegevens van axiale en coronale beelden) werd gebruikt om het model te verifiëren.
- Vergelijking van radiologen en deep learning: Maak een lijst van de testsetgevallen in bovenstaande stap 3 en vraag twee professionele radiologen van MSK om te classificeren of er schade is en de mate van schade, en vergelijk met de resultaten met kunstmatige diagnose (beide artsen lezen de afbeeldingen onafhankelijk van elkaar en verkreeg de diagnoseresultaten door de normale toestand van het schrijven van het rapport zonder enige prompt te simuleren). Ten slotte werd de nauwkeurigheid van de kunstmatige diagnose vergeleken met die van het combinatiemodel dat in de vierde stap werd verkregen.
Studietype
Observationeel
Inschrijving (Werkelijk)
1261
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
Beijing
-
Beijing, Beijing, China, 010
- Peking University Third Hospital
-
-
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
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Van september 2018 tot september 2020 werd MRI uitgevoerd op de afdeling Radiologie, het Derde Ziekenhuis van de Universiteit van Peking.
Beschrijving
Inclusiecriteria:
- Zonder enige behandeling voorafgaand aan beeldvormend onderzoek;
- MR van het heupgewricht is binnen drie maanden voor de operatie gemaakt en de beeldkwaliteit was goed;
- Er werd een artroscopische operatie uitgevoerd in ons ziekenhuis en de operatiedossiers waren compleet.
Uitsluitingscriteria:
- Geschiedenis van heupoperaties, tumoren of eerdere fracturen;
- Onduidelijk beeld, ernstig artefact of onvolledige klinische gegevens.
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
- Observatiemodellen: Case-control
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Normale controlegroep - Graad 0
Artroscopisch onderzoek van de heup was normaal en het labrum was intact zonder letsel of scheur.
|
De resultaten van heupartroscopie werden als gouden standaard genomen en MRI-onderzoek werd als onderzoeksobject genomen.
|
|
Ligamentblessure - Graad 1
Artroscopisch onderzoek van de heup toonde degeneratie of letsel van het labrum, maar geen lokale of volledige scheur.
|
De resultaten van heupartroscopie werden als gouden standaard genomen en MRI-onderzoek werd als onderzoeksobject genomen.
|
|
Ligamentscheur - Graad 2
Artroscopie van de heup onthulde gedeeltelijk of volledig verlies van labrum.
|
De resultaten van heupartroscopie werden als gouden standaard genomen en MRI-onderzoek werd als onderzoeksobject genomen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Onderzoek naar acetabulumlabrumletsel op basis van MR: multi-angle deep learning-model
Tijdsspanne: 2020.12.01-2021.05.30
|
Het model van diep leren werd verkregen voor de diagnose en beoordeling van labrumletsel en vergeleken met de artsen van verschillende stadia.
|
2020.12.01-2021.05.30
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Onderzoekers
- Studie stoel: huishu Yuan, MD, Peking University Third Hospital
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 december 2020
Primaire voltooiing (Werkelijk)
30 april 2021
Studie voltooiing (Werkelijk)
30 mei 2021
Studieregistratiedata
Eerst ingediend
29 juni 2021
Eerst ingediend dat voldeed aan de QC-criteria
29 juni 2021
Eerst geplaatst (Werkelijk)
2 juli 2021
Updates van studierecords
Laatste update geplaatst (Werkelijk)
2 juli 2021
Laatste update ingediend die voldeed aan QC-criteria
29 juni 2021
Laatst geverifieerd
1 juni 2021
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- M2020459
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 .