Forskning på Acetabular Labrum Injury Basert på MR: Multi-angle Deep Learning Model
29. juni 2021 oppdatert av: Peking University Third Hospital
Hensikten med denne studien er å studere MR-bildene av acetabulær labrumskade ved dyp læringsmetode, og prøve å etablere en kombinasjonsmodell av aksiale og koronale seriebilder, og sammenligne med den diagnostiske nøyaktigheten til radiologer, for å etablere en dyp læringsmetode for nøyaktig identifikasjon og klassifisering av acetabulære labrumskade.
Studieoversikt
Status
Fullført
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
- Deteksjon av acetabulære labrumbilder basert på CNN: aksiale og koronale T2-fs-bilder ble brukt, og alle bildene ble korrigert og standardisert. CNN brukes for å gjenkjenne og lære bildene med acetabulær labrum for å velge bildene med acetabulær labrumstruktur fra hele sekvensen og slette bildene uten acetabulær labrumstruktur. Alle dataene er delt inn i et treningssett (70 %, 30 % i treningssett som verifikasjonssett), og de resterende 30 % som et testsett for å evaluere nøyaktigheten av modellgjenkjenning. Skriv inn de oppnådde resultatene i neste trinn.
- Gjenkjenning og segmentering av acetabular labrum basert på Densenet: bruk av Densenet til å gjenkjenne og lære acetabular labrum fra de valgte bildene. LabelImg ble brukt til å lokalisere acetabulære labrum-koordinater manuelt og deretter legge dem inn i Python for gjenkjennelseslæring. Alle dataene ble delt inn i et treningssett (70 %, og deretter ble 30 % i treningssettet valgt som verifikasjonssett), og de resterende 30 % ble brukt som testsett for å evaluere nøyaktigheten av modellgjenkjenning. Etter identifisering av labrumstrukturen kuttes labrumstrukturen lokalt og forstørres for å fjerne overflødig informasjon. Til slutt legger du inn resultatet til neste trinn.
- Identifikasjon og gradering av acetabulær labrumskade basert på 3D-CNN: inndataene ble identifisert og gradert av 3D-CNN-modellen. 3D-CNN er delt inn i åtte lag: inngangslag, hardtrådslag H1, konvolusjonslag C2, nedsamplingslag S3, konvolusjonslag C4, nedsamplingslag S5, konvolusjonslag C6 og utgangslag. 3D-CNN konstruerer en kube ved å stable flere påfølgende rammer og bruker deretter en 3D konvolusjonskjerne i kuben. Gjennom denne strukturen vil funksjonsbildene i konvolusjonslaget kobles sammen med flere tilstøtende rammer i det forrige laget for å realisere informasjonsinnhentingen av kontinuerlige bilder. Tilsvarende ble dataene delt inn i et treningssett (70 %, og deretter ble 30 % av treningssettet valgt som verifikasjonssett), og de resterende 30 % ble brukt som testsett for å evaluere klassifiseringsnøyaktigheten for å identifisere skaden av labrum og klassifisere tilfellene med skade.
- Kombinasjonsmodell: i henhold til prosessen ovenfor (1-3), etter at modellene er etablert for henholdsvis de aksiale og koronale bildene, i henhold til utdatakarakteristikkene til CNN-klassifiseringsmodellen, blir sannsynlighetene for forskjellige karakterer forutsagt før utdataresultatene, og utdataresultatene er basert på disse sannsynlighetene for å velge uttrykksformen for maksimalt mulig sannsynlighet. Kombinasjonsmodellen vår gjennomsnittligner sannsynlighetene for disse forskjellige klassifikasjonene, beregner den endelige prediksjonssannsynligheten og får deretter den endelige modellen. Testsettet til det tredje trinnet (inkludert de blandede dataene for aksiale og koronale bilder) ble brukt til å verifisere modellen.
- Sammenligning av radiologer og dyp læring: List opp testsettene i trinn 3 ovenfor og be to profesjonelle radiologer fra MSK om å klassifisere om det er skade og skadegrad, og sammenligne med resultatene med kunstig diagnose (begge legene leser bildene uavhengig av hverandre og oppnådde diagnoseresultatene ved å simulere den normale tilstanden for å skrive rapporten uten noen spørsmål). Til slutt ble nøyaktigheten av kunstig diagnose sammenlignet med den for kombinasjonsmodellen oppnådd i det fjerde trinnet.
Studietype
Observasjonsmessig
Registrering (Faktiske)
1261
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 010
- Peking University Third Hospital
-
-
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
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Fra september 2018 til september 2020 ble MR utført i Radiologiavdelingen, det tredje sykehuset ved Peking University.
Beskrivelse
Inklusjonskriterier:
- Uten noen behandling før bildeundersøkelse;
- MR av hofteleddet ble utført innen tre måneder før operasjonen og bildekvaliteten var god;
- Artroskopisk operasjon ble utført på vårt sykehus, og operasjonsjournalene var komplette.
Ekskluderingskriterier:
- Historie om hofteoperasjon, svulst eller tidligere brudd;
- Uklart bilde, alvorlig artefakt eller ufullstendige kliniske data.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Case-Control
- Tidsperspektiver: Retrospektiv
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Normal kontrollgruppe-grad 0
Artroskopisk undersøkelse av hoften var normal, og labrum var intakt uten skade eller rift.
|
Resultatene av hofteartroskopi ble tatt som gullstandard og MR-undersøkelse ble tatt som forskningsobjekt.
|
|
Leddbåndsskade -grad 1
Artroskopisk undersøkelse av hoften viste labrum degenerasjon eller skade, men ingen lokal eller fullstendig rift.
|
Resultatene av hofteartroskopi ble tatt som gullstandard og MR-undersøkelse ble tatt som forskningsobjekt.
|
|
Ligament rive-grad 2
Artroskopi av hoften avslørte delvis eller fullstendig tap av labrum.
|
Resultatene av hofteartroskopi ble tatt som gullstandard og MR-undersøkelse ble tatt som forskningsobjekt.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Forskning på acetabulær labrumskade basert på MR: multi-angle deep learning modell
Tidsramme: 2020.12.01-2021.05.30
|
Modellen for dyp læring ble innhentet for diagnose og gradering av labrumskade og sammenlignet med legene på forskjellige stadier.
|
2020.12.01-2021.05.30
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Etterforskere
- Studiestol: huishu Yuan, MD, Peking University Third 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)
1. desember 2020
Primær fullføring (Faktiske)
30. april 2021
Studiet fullført (Faktiske)
30. mai 2021
Datoer for studieregistrering
Først innsendt
29. juni 2021
Først innsendt som oppfylte QC-kriteriene
29. juni 2021
Først lagt ut (Faktiske)
2. juli 2021
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
2. juli 2021
Siste oppdatering sendt inn som oppfylte QC-kriteriene
29. juni 2021
Sist bekreftet
1. juni 2021
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- M2020459
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. .