En ny teknikk for behandling av netthinnesykdom
18. januar 2021 oppdatert av: Second Affiliated Hospital, School of Medicine, Zhejiang University
Forskning av intelligent diagnose og automatisk lesjonssporing for presis behandling av netthinnesykdommer basert på dyp læring
Med ankomsten av æra av presisjonsmedisin, basert på FFA bilde dyp læring for å identifisere området av fundus lesjoner, registrering av fundus bilder, i henhold til alvorlighetsgraden av fundus sykdommer for å designe den optimale laser energi og bane, nøyaktig behandling av fundus sykdommer har akutte kliniske behov og svært viktig betydning
Studieoversikt
Status
Rekruttering
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
Observasjonsmessig
Registrering (Forventet)
2000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
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
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
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Ja
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
pasienter gjennomgår netthinneundersøkelse ved øyesenter i det andre tilknyttede sykehuset ved Zhejiang University
Beskrivelse
Inklusjonskriterier:
- pasienter med netthinnesykdommer
Ekskluderingskriterier:
- pasienter med annen sykdom påvirker netthinneundersøkelse
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 |
|---|
|
pasienter
pasienter med netthinnesykdommer
|
Hva måler studien?
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
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Etterforskere
- Hovedetterforsker: Jin Kai, MD, Zhejiang University
- Hovedetterforsker: Xu Yufeng, MD, Zhejiang University
- Hovedetterforsker: Lou Lixia, MD, Zhejiang University
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)
1. januar 2016
Primær fullføring (Forventet)
1. januar 2023
Studiet fullført (Forventet)
31. desember 2023
Datoer for studieregistrering
Først innsendt
18. januar 2021
Først innsendt som oppfylte QC-kriteriene
18. januar 2021
Først lagt ut (Faktiske)
22. januar 2021
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
22. januar 2021
Siste oppdatering sendt inn som oppfylte QC-kriteriene
18. januar 2021
Sist bekreftet
1. januar 2021
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 研2019-428
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
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. .