Utviklingen av programvareplattformen for kvantitativ ultralydbildebehandling
18. april 2023 oppdatert av: Seoul National University Bundang Hospital
Utviklingen av kunstig intelligens (AI) basert høyytelses strukturell-funksjonell og kvantitativ ultralydbildeprogramvareplattform
Målet med denne observasjonsstudien er å sammenligne bildeforskjellene mellom konvensjonell ultralyd og kunstig intelligens-basert ultralydprogramvare hos bevisste voksne.
Hovedspørsmålet den tar sikte på å besvare er å evaluere effektiviteten ved å fastslå at den nye bildeanalysemetoden anses som gyldig hvis den bidrar til å identifisere mer enn 30 % av histologiske karakteristika.
Deltakerne vil gjennomgå eksamen ved å bruke de to metodene nevnt tidligere etter å ha signert samtykkeskjemaet.
Studieoversikt
Status
Påmelding etter invitasjon
Studietype
Observasjonsmessig
Registrering (Forventet)
196
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
Gyeonggi-do
-
Seongnam, Gyeonggi-do, Korea, Republikken, 13620
- Seoul National University Bundang 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
- Voksen
- Eldre voksen
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
En person som besøker Seoul National University Bundang Hospital for medisinsk behandling eller konsultasjon.
Beskrivelse
Inklusjonskriterier:
- Personer med hjertesykdom, skjoldbruskkjertelsykdom, brystsykdom og leversykdom.
Ekskluderingskriterier:
- Noen som er operert på det aktuelle målorganet.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Kvantitativ ultralydinformasjon
Tidsramme: 5 år
|
Kvantitative ultralydbilder av hjerte-, skjoldbruskkjertel- og brystsykdom
|
5 år
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Cheng PM, Malhi HS. Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images. J Digit Imaging. 2017 Apr;30(2):234-243. doi: 10.1007/s10278-016-9929-2.
- Chi J, Walia E, Babyn P, Wang J, Groot G, Eramian M. Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network. J Digit Imaging. 2017 Aug;30(4):477-486. doi: 10.1007/s10278-017-9997-y.
- F. Milletari, N. Navab and S. -A. Ahmadi. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV), Stanford, CA, USA. 2016; 565-571.
- Ma J, Wu F, Jiang T, Zhu J, Kong D. Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images. Med Phys. 2017 May;44(5):1678-1691. doi: 10.1002/mp.12134. Epub 2017 Apr 17.
- Chen H, Zheng Y, Park JH, Heng PA, Zhou SK. (2016). Iterative Multi-domain Regularized Deep Learning for Anatomical Structure Detection and Segmentation from Ultrasound Images. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016. 2016; 9901.
- Lekadir K, Galimzianova A, Betriu A, Del Mar Vila M, Igual L, Rubin DL, Fernandez E, Radeva P, Napel S. A Convolutional Neural Network for Automatic Characterization of Plaque Composition in Carotid Ultrasound. IEEE J Biomed Health Inform. 2017 Jan;21(1):48-55. doi: 10.1109/JBHI.2016.2631401. Epub 2016 Nov 22.
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. september 2020
Primær fullføring (Forventet)
31. mars 2026
Studiet fullført (Forventet)
31. mars 2026
Datoer for studieregistrering
Først innsendt
18. april 2023
Først innsendt som oppfylte QC-kriteriene
18. april 2023
Først lagt ut (Faktiske)
1. mai 2023
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
1. mai 2023
Siste oppdatering sendt inn som oppfylte QC-kriteriene
18. april 2023
Sist bekreftet
1. april 2023
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
- Sykdommer i fordøyelsessystemet
- Iskemi
- Patologiske prosesser
- Nekrose
- Myokardiskemi
- Hjertesykdommer
- Kardiovaskulære sykdommer
- Vaskulære sykdommer
- Hudsykdommer
- Neoplasmer
- Neoplasmer etter nettsted
- Sykdommer i det endokrine systemet
- Leversykdommer
- Hjerteinfarkt
- Infarkt
- Brystneoplasmer
- Skjoldbrusk sykdommer
- Bryst sykdommer
- Fibrocystisk brystsykdom
Andre studie-ID-numre
- B-1910-570-301
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. .