- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT04140565
Positron Emission Tomography (PET)-bilder ved bruk av dype nevrale nettverk
Ekstraksjon av diagnostisk positronemisjonstomografi (PET)-bilder fra 10 sekunders innhenting av sengeposisjon, ved bruk av dype nevrale nettverk
PET-bilder er basert på å oppdage to annihilation 511 KeV fotoner som produseres av positron-emitterende isotoper. Jo lengre innsamlingstid, jo flere fotoner oppdages og behandles, noe som resulterer i bedre bildekvalitet. Lange skannetider (vanligvis 20-40 minutter per skanning) er imidlertid mindre hensiktsmessige for pasienter, og kan føre til pasientbevegelser og feiljustering.
flere studier har brukt maskinlæring for å produsere diagnostiske bilder fra bilder av lav kvalitet. Målet med vår studie er å produsere diagnostiske PET-bilder med 10 sekunders innsamlingstid per sengeposisjon ved bruk av DNN-algoritmer
Studieoversikt
Status
Detaljert beskrivelse
Positronemisjonstomografi (PET)/datastyrt tomografi (CT), med bruk av flere sporstoffer, blant annet fluordeoksyglukose (FDG) er den mest utbredte, har blitt en hovedavbildningsmodalitet innen onkologi. PET- og CT-komponentene reflekterer henholdsvis metabolsk og anatomisk informasjon. PET-bilder er basert på å oppdage to annihilation 511 KeV fotoner som produseres av positron-emitterende isotoper. Jo lengre innsamlingstid, jo flere fotoner oppdages og behandles, noe som resulterer i bedre bildekvalitet. Lange skannetider (vanligvis 20-40 minutter per skanning) er imidlertid mindre hensiktsmessige for pasienter, og kan føre til pasientbevegelser og feiljustering. Gjennom årene har flere metoder, som 3D og time of flight acquisitions, blitt utviklet for å kompensere for forringelsen av bildekvaliteten som følge av forkortning av skannetiden. Nylig har flere studier brukt maskinlæring for å produsere diagnostiske bilder fra bilder av lav kvalitet. Xiang et al sammenlignet PET-bilder av hjernen som ble tatt på 3 minutter (dvs. lavkvalitets PET (LPET)) med standard PET-bilder (dvs. SPET) som ble tatt på 12 minutter. De har kombinert LPET- og T1-vektede bilder ved hjelp av dype nevrale nettverk (DNN) for å produsere diagnostiske PET-bilder tilsvarende SPET-bilder.
Målet med vår studie er å produsere diagnostiske PET-bilder med 10 sekunders innsamlingstid per sengeposisjon ved bruk av DNN-algoritmer utviklet ved CILAB-laboratoriet i bildeavdelingen i Sheba.
Algoritmene ble tidligere validert med suksess for å misbruke ultralavdose CT-skanninger av brystet, noe som gjør dem egnet for lungekreftscreening. Algoritmene er basert på den lokalt konsistente ikke-lokale midler (LC-NLM) algoritmen.
LC-NLM-algoritmen bruker raske, tilnærmede nærmeste naboer (ANN) for å finne den mest liknende høy-SNR-patchen, i en målrettet bygd database, for hver støyende patch i inngangsbildet (Green et al.) ] Vi foreslår å bruke nylig introduserte ikke-lokale nevrale nettverk (Wang et al.) for å stable LC-NLM i en fullt trenerbar, lokalt konsistent ikke-lokal blokk (LC-NLB). De originale ikke-lokale nettverkene kombinerer ideene til den klassiske ikke-lokale midler (NLM) algoritmen (Buades et al.) til en nevral nettverksblokk, som beregner utdata ved en spesifikk posisjon som en vektet sum av funksjonene ved alle posisjoner .
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiesteder
-
-
-
Ramat Gan, Israel, 52621
- Sheba Medical Center Hospital- Tel Hashomer
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier: Pasienter som utfører FDG PET/CT -
Eksklusjonskriterier:1. Under 18 år. 2. PET/CT utført med en annen radioisotop enn FDG.
-
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Produksjon av diagnostiske PET-bilder ved bruk av dype nevrale nettverksalgoritmer
Tidsramme: 2 år
|
For å produsere PET-bilder danner du svært korte sengeposisjoner som i kvalitet tilsvarer standard PET-bilder
|
2 år
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Liran Domachevsky, MD, Sheba Medical Center
Studierekorddatoer
Studer hoveddatoer
Studiestart (FORVENTES)
Primær fullføring (FORVENTES)
Studiet fullført (FORVENTES)
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
Andre studie-ID-numre
- SHEBA-19-6267-LD-CTIL
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
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. .
Kliniske studier på PET-bilder og algoritmer for dype nevrale nettverk
-
Second Affiliated Hospital of Nanchang UniversityHangzhou Huaxia Eye Hospital; Nanchang Bright Eye HospitalRekrutteringIntraoperative komplikasjoner | Små-snitt Lenticule Extraction (SMILE) Kirurgi | Deep Convolutional Neural NetworkKina