Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Dyplæringsbasert klassifisering av ryggrads-CT (DETECT)

10. mai 2020 oppdatert av: Shisheng He, MD, Shanghai 10th People's Hospital
Det er tidkrevende for ryggradskirurger eller radiologer å utføre manuelle klassifiseringer av spinal CT, som også kan være korrelert med høy inter-observatørvarians. Med utviklingen av informatikk har dyp læring dukket opp som en lovende teknikk for å klassifisere bilder fra individnivå til pikselnivå. Hoveddelen av studien er å automatisk identifisere og klassifisere lesjonene, eller segmentere målrettede strukturer på spinal CT med dyp læring.

Studieoversikt

Status

Ukjent

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Datatomografi (CT) er et av de viktigste bildediagnostiske verktøyene for å hjelpe diagnostikk og behandling av spinal sykdom. Klassifisering av spesifikke mål (f.eks. individer, lesjoner, etc.) er en av de vanligste oppdragene innen medisinsk bildeanalyse. Det er imidlertid tidkrevende for ryggradskirurger eller radiologer å utføre manuelle klassifiseringer av spinal CT, som også kan være korrelert med høy inter-observatørvarians. Med utviklingen av informatikk har dyp læring dukket opp som en lovende teknikk for å klassifisere bilder fra individnivå til pikselnivå. Hoveddelen av studien er å automatisk identifisere og klassifisere lesjonene, eller segmentere målrettede strukturer på spinal CT med dyp læring.

Studietype

Observasjonsmessig

Registrering (Forventet)

500

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

  • Kina
    • Shanghai
      • Shanghai, Shanghai, Kina, 200072

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

18 år til 65 år (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

pasienter med tynnsjikt spinal CT som dekker målnivå vil bli inkludert.

Beskrivelse

Inklusjonskriterier:

- spinal tynt lag CT

Ekskluderingskriterier:

  • medaljer eller andre implantater induserer artefakter
  • dårlig bildekvalitet

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
tynt lag CT
Tynnlags CT vil bli manuelt merket og brukt til å trene, validere og teste dyplæringsalgoritmer.
Diagnostisk test: dyp læring
manuelt merkede prøver vil bli brukt til å trene, validere og teste dyplæringsalgoritmer, og deretter realisere automatisk klassifisering.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
klassifiseringsnøyaktighet
Tidsramme: 1 dag
klassifiseringsnøyaktighet (f.eks. område under kurven osv.)
1 dag
segmenteringsnøyaktighet
Tidsramme: 1 dag
segmenteringsnøyaktighet av flere strukturer (f.eks. Terningpoeng osv.)
1 dag

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Shanghai 10th People's Hospital

Samarbeidspartnere

Third Affiliated Hospital, Sun Yat-Sen University

Etterforskere

  • Hovedetterforsker: Shisheng He, M.D., Shanghai 10th People's Hospital

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

22. februar 2019

Primær fullføring (Forventet)

1. mai 2020

Studiet fullført (Forventet)

1. mai 2020

Datoer for studieregistrering

Først innsendt

16. november 2018

Først innsendt som oppfylte QC-kriteriene

29. desember 2018

Først lagt ut (Faktiske)

2. januar 2019

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

12. mai 2020

Siste oppdatering sendt inn som oppfylte QC-kriteriene

10. mai 2020

Sist bekreftet

1. mai 2020

Mer informasjon

Begreper knyttet til denne studien

Andre studie-ID-numre

  • SHSY180624

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

UBESLUTTE

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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. .

Abonnere