SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
29 czerwca 2021 zaktualizowane przez: Peking University Third Hospital
This study intends to study the shoulder SLAP injury through deep learning technology and establish a deep learning model through the combination of axial and oblique coronal images to establish a deep learning method that can accurately identify and grade shoulder SLAP injury.
Przegląd badań
Status
Jeszcze nie rekrutacja
Interwencja / Leczenie
Szczegółowy opis
- Recognition of labrum images based on LeNet: axial and oblique coronal T2-fs images were used, and all images were corrected and standardized. LeNet identified the images with labrum of the shoulder joint, and the images with labrum structure of shoulder joint were selected from the complete sequence. In contrast, the images without labrum structure were deleted. All the data are divided into a training set (70%, 30% in training set as verification set), and the remaining 30% as a test set to evaluate the accuracy of model recognition. Enter the obtained results into the next step.
- Recognition and segmentation of glenoid lip of shoulder joint based on DenseNet: the labrum is recognized by DenseNet in the selected image. The labelimg software based on Python was used to locate the labrum coordinates and then input them into Python for recognition learning. All the data were divided into a training set (70% and 30% of the training set were selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the labrum structure, the labrum structure is locally cut and enlarged to remove the redundant information and improve the recognition efficiency and accuracy. Finally, input the result to the next step.
- Recognition and grading of shoulder SLAP injury based on 3D-CNN: recognition and grading of input data through 3D-CNN model. 3D-CNN is divided into eight layers: input layer, hard wire layer H1, convolution layer C2, downsampling layer S3, convolution layer C4, downsampling layer S5, convolution layer C6 and output layer. 3D-CNN constructs a cube by stacking multiple consecutive frames and then uses a 3D convolution kernel in the cube. Through this structure, the feature images in the convolution layer will be connected with multiple adjacent frames in the previous layer to realize the information acquisition of continuous images. Similarly, the data is divided into a training set (70%, and then 30% of the training set is selected as the verification set), and the remaining 30% is used as the test set to evaluate the classification accuracy to identify whether there is labrum injury and grade the image with injury.
- Establish CNN combined model: after establishing the model for the axial and oblique coronal view according to the above process (1-3), according to the output characteristics of the CNN classification model, predict the probability of different grades before the output results, and the output results are based on these probabilities to select the expression form of the maximum possible probability. Our combined model averages the probabilities of these different classifications, calculates the final prediction probability, and then obtains the final joint model. The test set of the third step (including the mixed data of axial and coronal images) was used to verify the joint model.
Typ studiów
Obserwacyjny
Zapisy (Oczekiwany)
800
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: huishu Yuan, MD
- Numer telefonu: 15810245738
- E-mail: huishuy@bjmu.edu.cn
Kopia zapasowa kontaktu do badania
- Nazwa: Ming Ni, MD
- Numer telefonu: +8613884794867
- E-mail: sdyingxiang2017@163.com
Lokalizacje studiów
-
-
Beijing
-
Beijing, Beijing, Chiny, 010
- Peking University Third Hospital
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Nie dotyczy
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Collect and analyze patients who underwent shoulder MR examinations in the Department of Radiology, Peking University Third Hospital from September 2018 to September 2020.
Opis
Inclusion Criteria:
- Without any treatment before imaging examination;
- MR of the shoulder joint was performed within 3 months before the operation and the image quality was good;
- Arthroscopic operation was performed in our hospital, and the operation records were complete.
Exclusion Criteria:
- History of shoulder surgery, tumor, or previous fracture;
- Unclear image, serious artifact, or incomplete clinical data.
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kontrola przypadków
- Perspektywy czasowe: Z mocą wsteczną
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Normal control group-Grade 0
Arthroscopic examination of the labrum was normal, and the labrum was intact without injury or tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament injury -Grade 1
Arthroscopic examination of the shoulder showed labrum degeneration or injury, but no local or complete tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament tear-Grade 2
Arthroscopy of the shoulder revealed partial or complete loss of labrum.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
Ramy czasowe: 2021.10.1-2022.7.1
|
The model of deep learning was obtained for diagnosis and grading of SLAP injury and compared with the radiologists of different stages.
|
2021.10.1-2022.7.1
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Oczekiwany)
1 października 2021
Zakończenie podstawowe (Oczekiwany)
1 czerwca 2022
Ukończenie studiów (Oczekiwany)
1 lipca 2022
Daty rejestracji na studia
Pierwszy przesłany
29 czerwca 2021
Pierwszy przesłany, który spełnia kryteria kontroli jakości
29 czerwca 2021
Pierwszy wysłany (Rzeczywisty)
7 lipca 2021
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
7 lipca 2021
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
29 czerwca 2021
Ostatnia weryfikacja
1 czerwca 2021
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- M2020458
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Nie
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
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 .