Dyp læring for prostatasegmentering (GOPI-Segm)
Multi-sone datastøttet prostatasegmentering på MR-bilder ved bruk av en dyp læringsbasert tilnærming
Fordi de diagnostiske kriteriene for prostatakreft er forskjellige i den perifere og overgangssonen, er prostatasegmentering nødvendig for ethvert datastøttet diagnosesystem som tar sikte på å karakterisere prostatalesjoner på bilder med magnetisk resonans (MR). Manuell segmentering er tidkrevende og kan variere mellom radiologer med ulik kompetanse. Vi utviklet og trente en konvolusjonell nevrale nettverksalgoritme for å segmentere hele prostata, overgangssonen og det fremre fibromuskulære stroma på T2-vektede bilder av 787 MR-er fra en eksisterende prospektiv radiologisk patologisk korrelasjonsdatabase som inneholder prostata-MR av pasienter behandlet med prostatektomi mellom 2008 og 2014 (CLARA-P database).
Hensikten med denne studien er å validere denne algoritmen på en uavhengig kohort av pasienter.
Studieoversikt
Status
Forhold
Studietype
Registrering (Forventet)
Kontakter og plasseringer
Studiesteder
-
-
-
Lyon, Frankrike, 69008
- Rekruttering
- Hôpital Edouard Herriot
-
Ta kontakt med:
- Olivier ROUVIERE, Pr
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Prostata MR inneholdt i PACS av Hospices Civils de Lyon
- Utført i 2016-2019
Ekskluderingskriterier:
- MR-er fra pasienter som allerede hadde behandling for prostatakreft
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Kohort
- Tidsperspektiver: Retrospektiv
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Pasienter med MR på en 3 Tesla (T) enhet
Den totale valideringskohorten er sammensatt av aksiale T2-vektede bilder av prostata oppnådd fra 31 prostata MR på en 3T enhet tilfeldig valgt blant prostata MR utført ved Hospices Civils de Lyon i 20162015-2019
|
Algoritmen brukes til å utføre en multisonesegmentering av prostata, inkludert avgrensning av: hele prostatakonturene, overgangssonekonturene, det fremre fibromuskulære stroma. Konturene korrigeres uavhengig av 2 radiologer. De korrigerte konturene til de forskjellige sonene vil bli lagret, og for hver sone vil 6 forskjellige beregninger bli brukt for å evaluere forskjellen mellom de innledende og korrigerte konturene:
|
|
Pasienter med MR på en 1,5 Tesla enhet
Den totale valideringskohorten er sammensatt av aksiale T2-vektede bilder av prostata oppnådd fra 31 prostata MR på en 1,5T enhet tilfeldig valgt blant prostata MR utført ved Hospices Civils de Lyon i 20162015-2019
|
Algoritmen brukes til å utføre en multisonesegmentering av prostata, inkludert avgrensning av: hele prostatakonturene, overgangssonekonturene, det fremre fibromuskulære stroma. Konturene korrigeres uavhengig av 2 radiologer. De korrigerte konturene til de forskjellige sonene vil bli lagret, og for hver sone vil 6 forskjellige beregninger bli brukt for å evaluere forskjellen mellom de innledende og korrigerte konturene:
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Mean Mesh Distance (Mean) mellom konturene av hele prostata laget av algoritmen og de to radiologene
Tidsramme: Måned 11
|
Mean Mesh Distance tilsvarer den gjennomsnittlige grenseavstanden (ABD) for hvert punkt i referansesegmenteringen. Avstanden til det nærmeste punktet i den sammenlignede segmenteringen beregnes først. Deretter beregnes gjennomsnittet av alle disse avstandene og gir ABD. Den gjennomsnittlige maskeavstanden mellom konturene av hele prostata laget av algoritmen og hver radiolog vil bli brukt som primært resultatmål. |
Måned 11
|
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
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- GOPI-Segmentation_2019
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. .