En ny teknikk for behandling av netthinnesykdom
Forskning av intelligent diagnose og automatisk lesjonssporing for presis behandling av netthinnesykdommer basert på dyp læring
Studieoversikt
Status
Status
Forhold
Forhold
Detaljert beskrivelse
- Strukturert DR-bildedatabasekonstruksjon og nøyaktig merknad: retrospektiv (fra 1. januar 2016 til dagen for etisk gjennomgang) og prospektiv (fra dagen for etisk gjennomgang til 31. desember 2023) innsamlet FFA og andre multimodale bildedata. Flere øyeleger og senioreksperter på fundussykdommer foretok en diagnostisk evaluering på hvert bilde av hver pasient og fullførte den nøyaktige graderingsdiagnosen av dataene. Til slutt ble det etablert en strukturert Dr-database trinn for trinn. Denne artikkelen bruker teorien om datasyn for å kvantifisere kvalitetsforvrengningen av FFA-bilde, veileder datamaskinen til å konfigurere eksisterende bildeforbedrings- og støyreduksjonsalgoritmer adaptivt, og fullfører forbehandlingen av fundusbildedata.
- Konstruksjon av Dr intelligent graderingsdiagnosesystem basert på fundusbilde: For det første brukes fundusbildet som fundusdata-opplæringsdatabasen, og i henhold til den internasjonale kliniske Dr-graderingsdiagnosestandarden, merker mange leger fundusbildet nøyaktig. Internasjonale kliniske Dr graderingskriterier: grad 0, ingen åpenbare retinale abnormiteter; grad 1, bare mikroangiom; grad 2, mer alvorlig enn mikroangiom, men mindre alvorlig enn alvorlig; grad 3, fire kvadranter, hver kvadrant har mer enn 20 netthinneblødninger, mer enn to kvadranter har bestemte venøse perler, mer enn én kvadrant har tydelig Irma, ingen tegn til proliferativ retinopati; grad 4, neovaskularisering, glasslegemeblødning Volum blod, pre retinal blødning. På grunnlag av Dr gradering intelligent diagnose standard, konvolusjon nevrale nettverk er konstruert for å trene og gradere fundus bilder. Etter å ha gjentatt denne prosessen mange ganger for hvert bilde i treningssettet med fundusbilder, lærer dyplæringssystemet hvordan det skal klassifisere alle dataene i treningssettet for å nøyaktig diagnostisere fundusbildene.
- Konvolusjonsnevrale nettverkskonstruksjon for FFA-bildefokusområde: det konvolusjonsnevrale nettverket for dyp læring er sammensatt av millioner av parametere, som brukes til å trene og utføre gitte oppgaver. Utgangen som genereres av hver lineær konvolusjonsoperasjon blir regulert av ikke-lineær aktiveringsfunksjon, kombinert med dimensjonalitetsreduksjonen til poolinglaget og fullt tilkoblingslag, slik at optimaliseringsprosessen til dypt nevrale nettverk ikke bare overvinner gradientspredningen, men også bidrar til å generere funksjoner lik den hierarkiske persepsjonsmekanismen til menneskelige nevrale celler til visuelle signaler. FFA-bildet brukes som treningsdatabasen for fundusdata. Basert på nøyaktig merking av lesjonsområdet (ingen perfusjonsområde, mikroangiomområde og lekkasjeområde), må FFA-bildet behandles for intelligent gjenkjennelse av lesjonsområdet. I treningsprosessen blir parameterne til det nevrale nettverket i utgangspunktet satt til tilfeldige verdier. Deretter, for hvert bilde, blir resultatene gitt av funksjonen sammenlignet med de kjente resultatene av treningssettet for å optimere parameterne til funksjonen. Etter å ha gjentatt denne prosessen mange ganger for hvert bilde i treningsdatasettet, lærte dyplæringssystemet å klassifisere alle dataene i treningssettet for nøyaktig å forutsi Dr-lesjonene på FFA-bilder.
- Konstruksjon av intelligent fundus lasernavigasjonsmodell basert på FFA-bilde og fundusbilderegistrering: Dr lesjons intelligente gjenkjenningssystemet på FFA-bildet ovenfor identifiserer nøyaktig områdene som trenger funduslaserbehandling, hjelper leger med å bestemme lesjonene som må behandles, og basert på bildematching av maskinlæring, gir registreringsbildet av fundusbilde og FFA-kombinasjon, som er satt i henhold til plasseringen og størrelsesinformasjonen til lesjonsområdet I henhold til den matchende netthinnediameteren og arrangementet av forskjellige laserflekker, den personlige laseren behandlingsopplegget formuleres, og den intelligente veiledningsmodellen for behandling av funduslaser er konstruert.
Studietype
Studietype
Registrering (Forventet)
Registrering
Kontakter og plasseringer
Studiekontakt
Studiekontakt
- Navn: Jin Kai, MD
- Telefonnummer: 13646828461
- E-post: jinkai@zju.edu.cn
Studiesteder
-
-
Zhejiang
-
Hanzhou, Zhejiang, Kina
- Rekruttering
- The Second Affiliated Hospital of Zhejiang University
-
Ta kontakt med:
- Jin Kai, MD
- Telefonnummer: 13646828461
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- pasienter med netthinnesykdommer
Ekskluderingskriterier:
- pasienter med annen sykdom påvirker netthinneundersøkelse
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Antall grupper / kohorter
Kohorter og intervensjoner
Gruppe / KohortGruppe / Kohort |
|---|
|
pasienter
pasienter med netthinnesykdommer
|
Hva måler studien?
Primære resultatmål
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
kunstig intelligens
Tidsramme: 2016.01-2023.12
|
bruke data til å utvikle dyplæringsmodeller
|
2016.01-2023.12
|
Samarbeidspartnere og etterforskere
Sponsor
Sponsor
Etterforskere
Etterforskere
- Hovedetterforsker: Jin Kai, MD, Zhejiang University
- Hovedetterforsker: Xu Yufeng, MD, Zhejiang University
- Hovedetterforsker: Lou Lixia, MD, Zhejiang University
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Studiestart
Primær fullføring (Forventet)
Primær fullføring
Studiet fullført (Forventet)
Studiet fullført
Datoer for studieregistrering
Først innsendt
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Først lagt ut
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Sist oppdatering lagt ut
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
Andre studie-ID-numre
- 研2019-428
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .