Automatisk segmentering av polycystisk lever (ASEPOL)
Automatisk segmentering av et konvolusjonelt nevralt nettverk (kunstig intelligens - dyp læring) av polycystiske lever, som en modell av multilesjonelle dysmorfe lever
Vurdere volumet av leveren før operasjonen, forutsi levervolumet som gjenstår etter operasjonen, påvisning av primære eller sekundære lesjoner i leverparenkymet er vanlige applikasjoner som krever optimal påvisning av leverkonturer, og derfor leversegmentering.
Det finnes flere manuelle og arbeidskrevende, halvautomatiske og til og med automatiske teknikker.
Imidlertid er alvorlig patologi som deformerer konturene av leveren (multi-metastatiske lever...), levermiljøet med lignende tetthet som leveren eller lesjoner, CT-undersøkelsesteknikken alle variabler som gjør det vanskelig å oppdage konturene. Nåværende teknikker, selv automatiske, er begrenset i denne typen saker (ikke sjelden) og krever oftest omjusteringer som gjør at automatisering mister sin verdi.
Alle disse kriteriene for segmenteringsvansker er samlet i leverene ved hepatorenal polycystose, som derfor utgjør en tilpasset studiemodell for utvikling av et automatisk segmenteringsverktøy.
For å oppnå en automatisk segmentering av enhver lesjonslever, ved å overskride vanskelighetskriteriene som vurderes, har etterforskere utviklet et konvolusjonelt nevralt nettverk (kunstig intelligens - dyp læring) nyttig for klinisk praksis.
Studieoversikt
Status
Intervensjon / Behandling
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiesteder
-
-
-
Lyon, Frankrike, 69437
- Rekruttering
- Service de radiologie - Pavillon B - Cellule Recherche imagerie, Hôpital Edouard Herriot (HCL)
-
Ta kontakt med:
- Bénédicte CAYOT
- Telefonnummer: +33 472110400
- E-post: benedicte.cayot@chu-lyon.fr
-
Ta kontakt med:
- Pierre-Jean VALETTE, MD, Prof.
- Telefonnummer: +33 472117544
- E-post: pierre-jean.valette@chu-lyon.fr
-
Hovedetterforsker:
- Pierre-Jean VALETTE, MD, Prof.
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Pasienter ≥ 18 år
- Pasienter med hepato-renal polycystose, med eller uten kirurgi
- Pasienter med minst én abdominal-bekken CT-skanning uten injeksjon eller med injeksjon mellom 1. januar 2016 og august 2018
- Pasienter med god kvalitet og tilgjengelige bilder
Ekskluderingskriterier:
- Pasienter uten CT-bilder tilgjengelig
- Pasienter med dårlig kvalitet på CT-bilder
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Nevronnettverk Treningsgruppe
Følgende radiologiske variabler, relatert til hver CT-undersøkelse, vil bli samlet inn for hver pasient:
|
De anonymiserte CT-undersøkelsene vil bli gjennomgått i Lyon, i bildebehandlingsavdelingen ved Edouard Herriot Hospital, av en ekspert radiolog og en praktikant fra Lyon-sykehusene.
En innledende opplæringsfase av kunstig intelligens-nettverket vil bli gjennomført: - Segmentering av leverene i en første del av CT-undersøkelsen, av en praktikant ved sykehusene i Lyon En innledende opplæringsfase av kunstig intelligens-nettverket vil bli gjennomført: - Bruk av datadata for å drive kunstig intelligens-nettverket. |
|
Nevronalt nettverk Valideringsgruppe
Følgende radiologiske variabler, relatert til hver CT-undersøkelse, vil bli samlet inn for hver pasient:
|
De anonymiserte CT-undersøkelsene vil bli gjennomgått i Lyon, i bildebehandlingsavdelingen ved Edouard Herriot Hospital, av en ekspert radiolog og en praktikant fra Lyon-sykehusene.
En valideringsfase av verktøyet for kunstig intelligens vil bli utført med segmentering av leverene i andre del av CT-undersøkelsene: – Utført av en praktikant ved sykehusene i Lyon En valideringsfase av verktøyet for kunstig intelligens vil bli utført med segmentering av leverene i andre del av CT-undersøkelsene: - Utføres av det nevrale nettverket |
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Test av automatisk segmentering av det konvolusjonelle nevrale nettverket på disse gruppene og innsamling av datasett
Tidsramme: 4 måneder etter randomisering
|
Utvikling av et automatisk segmenteringsverktøy for høydysmorfe polycystiske lever som en forutsetning for segmentering av enhver type multilesjonslever som er vanskelig å segmentere, for å lette lesjonsdeteksjon og volummåling i klinisk praksis. Randomisering av pasienten i to datagrupper, den ene for å trene den andre for å validere det konvolusjonelle nevrale nettverket (kunstig intelligens)
|
4 måneder etter randomisering
|
Samarbeidspartnere og etterforskere
Sponsor
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Forventet)
Studiet fullført (Forventet)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- ASEPOL
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. .