Konwolucyjna sieć neuronowa do wykrywania mielomalacji szyjki macicy
Konwolucyjna sieć neuronowa do wykrywania mielomalacji szyjki macicy w obrazowaniu metodą rezonansu magnetycznego
Technologia głębokiego uczenia jest coraz częściej wykorzystywana w chirurgii kręgosłupa, a także w wielu dziedzinach medycyny. Zauważa się jednak, że większość badań na ten temat w literaturze została przeprowadzona z wyjątkiem odcinka szyjnego kręgosłupa. W tym badaniu naszym celem było wykazanie skuteczności algorytmu głębokiego uczenia się w diagnostyce szpiczaka szyjki macicy w porównaniu z konwencjonalnymi metodami diagnostycznymi.
Sztuczne sieci neuronowe, technika uczenia maszynowego, są coraz częściej wykorzystywane w kilku dziedzinach przemysłowych i badawczych. Rozwój jednostek obliczeniowych i rosnąca ilość danych doprowadziły do opracowania nowych metod na sztucznych sieciach neuronowych
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Mielopatia szyjna (CM) jest częstą chorobą zwyrodnieniową odcinka szyjnego kręgosłupa, która powstaje w wyniku ucisku rdzenia kręgowego. W ocenie tej choroby i określaniu opcji leczenia należy łącznie ocenić klinikę pacjenta i metody radiologiczne.
Obecne procedury obrazowania miopatii to zwykłe rentgenogramy, tomografia komputerowa i obrazowanie metodą rezonansu magnetycznego (MRI). Jednak MRI w CM jest bardziej wartościowy w ocenie dysku, rdzenia kręgowego i innych tkanek miękkich w porównaniu z innymi metodami obrazowania. Technologie sztucznej inteligencji są również wykorzystywane w wielu zastosowaniach zdrowotnych, takich jak analiza obrazów medycznych, analiza sygnałów biologicznych itp. W tym badaniu naszym celem było wykazanie skuteczności algorytmu głębokiego uczenia się w diagnostyce szpiczaka szyjki macicy w porównaniu z konwencjonalnymi metodami diagnostycznymi.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Fatih
-
Istanbul, Fatih, Indyk, 34093
- Istanbul University
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- u pacjentów z klasycznymi objawami szpiczaka szyjnego, takimi jak ból i sztywność karku, osłabienie i niezdarność kończyn górnych lub trudności w chodzeniu oraz radiologiczne objawy ucisku kręgosłupa
- Wiek 30-80 lat.
Kryteria wyłączenia:
- Pacjenci z wcześniejszą operacją odcinka szyjnego kręgosłupa i chorobą układową (choroba reumatologiczna lub nerwowa).
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
mielopatia szyjna
Obrazy MR pacjentów z mielopatią szyjną
|
Konwolucyjne sieci neuronowe, technika uczenia maszynowego, są coraz częściej wykorzystywane w kilku dziedzinach przemysłowych i badawczych.
Rozwój jednostek obliczeniowych i rosnąca ilość danych doprowadziły do opracowania nowych metod na sztucznych sieciach neuronowych.
Deep learning (DL) to wielowarstwowa sieć neuronowa, w której ekstrakcja cech odbywa się automatycznie.
Rozszerza tradycyjne sieci neuronowe, dodając więcej ukrytych warstw do architektury sieci między warstwą wejściową i wyjściową, aby modelować bardziej złożone i nieliniowe zależności.
|
|
normalna
normalny przekrój MRI pacjentów z mielopatią szyjną
|
Konwolucyjne sieci neuronowe, technika uczenia maszynowego, są coraz częściej wykorzystywane w kilku dziedzinach przemysłowych i badawczych.
Rozwój jednostek obliczeniowych i rosnąca ilość danych doprowadziły do opracowania nowych metod na sztucznych sieciach neuronowych.
Deep learning (DL) to wielowarstwowa sieć neuronowa, w której ekstrakcja cech odbywa się automatycznie.
Rozszerza tradycyjne sieci neuronowe, dodając więcej ukrytych warstw do architektury sieci między warstwą wejściową i wyjściową, aby modelować bardziej złożone i nieliniowe zależności.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Wartość dokładności macierzy dezorientacji dla widoków strzałkowych
Ramy czasowe: 1 dzień
|
Jest to specyficzny układ tabeli, który umożliwia wizualizację działania algorytmu.
|
1 dzień
|
|
Wartość dokładności macierzy zamieszania dla widoków osiowych
Ramy czasowe: 1 dzień
|
Jest to specyficzny układ tabeli, który umożliwia wizualizację działania algorytmu.
|
1 dzień
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Hakan Yilmaz, Karabuk University, Faculty of Engineering
- Główny śledczy: Murat Korkmaz, Istanbul University, Faculty of Medicine
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (RZECZYWISTY)
Zakończenie podstawowe (RZECZYWISTY)
Ukończenie studiów (RZECZYWISTY)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (RZECZYWISTY)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- KAEK/2020.07.129
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Ramy czasowe udostępniania IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- SOK ROŚLINNY
- ICF
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .