Deep Learning of Knee Joint MRI Intelligent Detection
8 lipca 2021 zaktualizowane przez: Peking University Third Hospital
Knee joint is the most common part of sports injury.
MRI is a powerful tool to diagnose knee joint injury.
However, it takes a long time to read the film, needs a lot, and some hidden injuries have a high rate of missed diagnosis.
The emerging deep learning technology can establish automatic recognition model through large samples.
A large sample of knee joint MRI was collected retrospectively to train the deep learning model of knee joint MRI, and the sensitivity and specificity of the deep learning model were verified in multi center.
Depending on the clinical needs, the deep learning model annotation system is established.
A large number of knee MRI were obtained and labeled.
According to the knee joint MRI training depth learning model, and iterative optimization, the final version is formed.
Multi center validation was carried out.
Continuous operation records and corresponding preoperative knee MRI were obtained from multiple hospitals.
The sensitivity and specificity of the model were calculated with operation records as the gold standard.
At the same time, an expert team composed of senior radiologists and sports medicine doctors was organized to read the films.
The sensitivity and specificity of manual reading and AI reading were compared to prove the superiority of AI reading.
This study can improve the efficiency of clinical MRI film reading, reduce the workload of doctors, improve the film reading level of grass-roots hospitals, promote the development of the discipline, and has good social benefits and market prospects.
Przegląd badań
Status
Rekrutacyjny
Warunki
Szczegółowy opis
The knee joint is the most common sports injury site in the human body, including ligament rupture, meniscus tear, cartilage lesions, and free body formation.
Knee MRI has extremely high sensitivity and specificity in diagnosing knee diseases, especially its negative predictive value is close to 100%, and it is an effective means to assist clinicians in diagnosing knee diseases.
However, there are many MRI sequences of the knee joint, and different diseases have different imaging effects on various sequences, and the types of knee joint diseases are complicated, so it takes a long time to evaluate the knee joint MRI.
Due to the huge clinical demand for knee MRI, it has caused a great burden on radiology and sports medicine orthopedics.
At the same time, for some special injuries of the knee joint, such as hidden meniscus tear, rupture of the anterior cross part and adhesion in place after rupture, local ligament injury, etc., the conclusions given by different readers are very different, and it is easy to miss the diagnosis.
And the missed diagnosis seriously affects the prognosis of the knee joint, leading to the progression of arthritis.
In addition, professional musculoskeletal system imaging experts have a long training cycle, and a large number of orthopedic doctors and radiologists in basic hospitals have limited reading skills for knee MRI, which limits the development of local sports medicine disciplines and the development of related diagnosis and treatment.
The purpose of our research is to train the deep learning model of knee MRI through multi-center and large sample of knee MRI; Multi-center verification of the sensitivity and specificity of the knee MRI deep learning model, and compare the accuracy of the deep learning model and manual image reading.
Typ studiów
Obserwacyjny
Zapisy (Oczekiwany)
50000
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Jia-Kuo Yu
- Numer telefonu: 01082267392
- E-mail: yujiakuo@126.com
Lokalizacje studiów
-
-
Beijing
-
Beijing, Beijing, Chiny, 100191
- Rekrutacyjny
- Institute of Sports Medicine, Peking University Third Hospital
-
Kontakt:
- Ai-Bing Huang, PhD
- Numer telefonu: 8615650715003
- E-mail: hab165@163.com
-
-
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
All patients related to sports injuries
Opis
Inclusion Criteria:
- ACL-injured patients;
- Follow-up of patients after ACL injury;
- patients with genetic predisposition to ACL injury;
Exclusion Criteria:
- Patients with joint injury caused by clear external forces;
- Definitely have stroke, heart disease, epilepsy, cranial neurosurgery, migraine;
- Have had a concussion or head injury in the past 6 months.
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: Kohorta
- Perspektywy czasowe: Z mocą wsteczną
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Marking system design based on Magnetic Resonance Imaging（MRI）
Ramy czasowe: 2021
|
According to the development goals, combined with the performance of MRI and the structure of the model algorithm, the labeling rules and logic of knee MRI are determined.
On this basis, a labeling system is designed, and different labeling tools are designed for a variety of lesions.
|
2021
|
|
Data export and annotation
Ramy czasowe: 2021
|
Encrypt the MRI file and import it into the medical standard intelligent labeling system.
Create a dedicated tagging account for each tagger to tag.
Based on the previously marked image data, develop algorithms for segmenting different lesion areas.
|
2021
|
|
Build a deep learning model
Ramy czasowe: 2021
|
According to the diagnostic logic, we select the coronal and sagittal images of the knee joint T2 MRI sequence for analysis.
And choose the Resnext model that has been verified by a large number of ImageNet and other large data sets to extract the features of the coronal out-of-state images.
After the multi-layer convolution operation, the key feature representation of the image is extracted.
At the same time, in the process of feature extraction, the batch normalization module is used to perform feature transformation to highlight the most meaningful part of the feature.
|
2021
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Współpracownicy
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 (Rzeczywisty)
1 stycznia 2021
Zakończenie podstawowe (Oczekiwany)
31 grudnia 2021
Ukończenie studiów (Oczekiwany)
15 maja 2022
Daty rejestracji na studia
Pierwszy przesłany
27 czerwca 2021
Pierwszy przesłany, który spełnia kryteria kontroli jakości
8 lipca 2021
Pierwszy wysłany (Rzeczywisty)
12 lipca 2021
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
12 lipca 2021
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
8 lipca 2021
Ostatnia weryfikacja
1 czerwca 2021
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- M2020243
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 .
Badania kliniczne na Urazy kolana
-
Smith & Nephew, Inc.Nor Consult, LLCZakończonyJourney II XR Total Knee SystemStany Zjednoczone
-
Smith & Nephew, Inc.ZakończonyJourney II BCS Total Knee SystemStany Zjednoczone, Belgia, Nowa Zelandia
-
Smith & Nephew, Inc.Nor ConsultZakończonyJourney II CR Total Knee SystemStany Zjednoczone