Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Reconstructie-algoritmen voor diep leren in dubbele CTA met lage dosis

16 april 2024 bijgewerkt door: Hao Tang

Evaluatie van deep learning-reconstructie-algoritmen bij dubbele CT-vasculaire beeldvorming met lage dosis

Het doel van deze observationele studie is om de impact van deep learning-beeldreconstructie op de beeldkwaliteit en diagnostische prestaties van dubbele lage dosis CTA te evalueren. De belangrijkste vraag die het wil beantwoorden is het onderzoeken van de haalbaarheid van diepgaande beeldreconstructie bij dubbele lage dosis CTA.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

  1. De onbewerkte gegevens van patiënten die hoofd-hals-CTA, coronaire CTA en abdominale CTA ondergingen in zowel de standaarddosisgroep als de dubbele lage dosisgroep werden opgenomen.
  2. Technieken zoals gefilterde terugprojectie, iteratieve reconstructie en deep learning-reconstructie werden uitgevoerd.
  3. De haalbaarheid van deep learning-reconstructie bij CTA met dubbele lage dosis werd geëvalueerd op basis van beeldkwaliteit en diagnostische prestaties.

Studietype

Observationeel

Inschrijving (Geschat)

1200

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

Studie Contact Back-up

Studie Locaties

  • China
    • Hubei
      • Wuhan, Hubei, China, 430000
        • Werving
        • Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
        • Contact:

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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Gezonde of zieke volwassenen die CT-vasculaire beeldvorming ondergaan

Beschrijving

Inclusiecriteria:

  • Patiënten met CTA in hoofd en nek, CTA in de kransslagader en CTA in de buik als gevolg van een beroerte, coronaire hartziekte en abdominale ontstekingsziekte, en buiktumoren.

Uitsluitingscriteria:

  • Leeftijd <18 jaar, zwangerschap, allergische reactie op jodiumcontrastmiddel, nierinsufficiëntie en ernstige hyperthyreoïdie.

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
Standaard dosisgroep
Ruwe gegevens van 400 patiënten met conventionele hoofd-hals-CTA, coronaire CTA en abdominale CTA werden opgenomen. Gefilterde terugprojectie, iteratie en deep learning-reconstructie werden uitgevoerd. Het evalueren van de impact van deep learning-reconstructie op de beeldkwaliteit en diagnostische prestaties bij patiënten met conventionele dosis-CTA.
Diagnostische toets: Diepgaande beeldreconstructie
Deep learning image reconstructie (DLIR) is een nieuw ontwikkeld algoritme voor ruisonderdrukking door kunstmatige intelligentie de afgelopen jaren. Het traint enorme FBP-datasets van hoge kwaliteit om ruis en signaal te leren onderscheiden, om ruis selectief te verminderen en beelden van hoge kwaliteit te reconstrueren met beeldgegevens van lage kwaliteit.
Dubbele lage dosisgroep
Ruwe gegevens van 800 patiënten met een lage buisspanning en CTA in hoofd en nek met contrastmiddel, coronaire CTA en abdominale CTA werden opgenomen. Gefilterde terugprojectie, iteratie en deep learning-reconstructie werden uitgevoerd. Het evalueren van de impact van deep learning-reconstructie op de beeldkwaliteit en diagnostische prestaties bij patiënten met een dubbele lage dosis CTA.
Diagnostische toets: Diepgaande beeldreconstructie
Deep learning image reconstructie (DLIR) is een nieuw ontwikkeld algoritme voor ruisonderdrukking door kunstmatige intelligentie de afgelopen jaren. Het traint enorme FBP-datasets van hoge kwaliteit om ruis en signaal te leren onderscheiden, om ruis selectief te verminderen en beelden van hoge kwaliteit te reconstrueren met beeldgegevens van lage kwaliteit.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
De specificiteit en gevoeligheid berekend via de optimale grenswaarde van de werkingskarakteristiek van de ontvanger.
Tijdsspanne: 2026.1
De specificiteit en gevoeligheid werden afzonderlijk berekend voor de groep met standaarddosis en de groep met dubbele lage dosis, met behulp van de optimale grenswaarde van de werkingskarakteristiekcurve van de ontvanger, met als doel de diagnostische nauwkeurigheid tussen de twee groepen te vergelijken.
2026.1

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
De signaal-ruisverhouding berekend op basis van beeld-CT-waarden en ruis
Tijdsspanne: 2026.1
De signaal-ruisverhouding werd afzonderlijk berekend voor de standaarddosisgroep en de dubbele lage dosisgroep met behulp van beeld-CT-waarden en ruis, om de beeldkwaliteit tussen de twee groepen te beoordelen.
2026.1

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Hao Tang

Onderzoekers

  • Hoofdonderzoeker: Hao Tang, Doctor, Tongji 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 juni 2023

Primaire voltooiing (Geschat)

1 december 2025

Studie voltooiing (Geschat)

1 maart 2026

Studieregistratiedata

Eerst ingediend

11 april 2024

Eerst ingediend dat voldeed aan de QC-criteria

16 april 2024

Eerst geplaatst (Werkelijk)

18 april 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

18 april 2024

Laatste update ingediend die voldeed aan QC-criteria

16 april 2024

Laatst geverifieerd

1 april 2024

Meer informatie

Termen gerelateerd aan deze studie

Andere studie-ID-nummers

  • 102122

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Beschrijving IPD-plan

Om de privacy van de deelnemers te beschermen, worden de betreffende gegevens pas gedeeld nadat de deelnemers daarmee hebben ingestemd

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 .

Abonneren