Opracowanie Systemu Zarządzania Jakością Obrazu Echokardiograficznego w oparciu o Deep Learning
21 lutego 2023 zaktualizowane przez: The Affiliated Nanjing Drum Tower Hospital of Nanjing University Medical School
System zarządzania jakością obrazu echokardiograficznego oparty na głębokim uczeniu się: jednoośrodkowe badanie prospektywne
Opracowanie systemu zarządzania jakością obrazu echokardiograficznego opartego na głębokim uczeniu się w celu uzyskania obiektywnej i dokładnej automatycznej kontroli jakości obrazu echokardiograficznego.
W sumie 2000 pacjentów wykonujących echokardiografię przezklatkową zostało prospektywnie zapisanych do Oddziału Medycyny Ultrasonograficznej Affiliated Drum Tower Hospital ze Szkołą Medyczną Uniwersytetu Nanjing.
Zebrano dane z 8 segmentacji projekcji TTE, w tym projekcje przymostkowej osi długiej lewej komory (PLAX_LV), przymostkowej osi krótkiej poziomu dużego naczynia (PSAX_GV), przymostkowej osi krótkiej poziomu zastawki mitralnej (PSAX_MV), przymostkowa oś krótka poziomu mięśnia brodawkowatego (PSAX_PM), przymostkowa oś krótka poziomu wierzchołkowego (PSAX_AP), wierzchołkowe cztery jamy (A4C), wierzchołkowe trzy jamy (A3C), wierzchołkowe dwie jamy (A2C).
Dane 1500 pacjentów wykorzystano jako zbiór uczący, a pozostałych jako zbiór walidacyjny.
Te dane wideo zostały sklasyfikowane według odpowiednich segmentacji wyświetleń i przeanalizowane za pomocą przekształconego modelu Video Swin.
Następnie opracowano moduł punktacji różnych segmentacji widoków, łączący ekstrakcję klatek kluczowych, segmentację obrazu, rozpoznawanie celu wideo i model klasyfikacji wideo.
Jednocześnie porównywano wyniki uzyskane przez system automatycznej oceny obrazu echokardiograficznego z wynikiem sztucznym.
Poprzez ciągłe poprawianie i uczenie się, a ostatecznie budowanie podstawowego automatycznego systemu oceniania.
Ostatecznie skonstruowano system automatycznej oceny obrazu echokardiograficznego, który wykonano u pozostałych 500 pacjentów.
Przegląd badań
Status
Rekrutacyjny
Warunki
Szczegółowy opis
Opracowanie systemu zarządzania jakością obrazu echokardiograficznego opartego na głębokim uczeniu się w celu uzyskania obiektywnej i dokładnej automatycznej kontroli jakości obrazu echokardiograficznego.
W sumie 2000 pacjentów wykonujących echokardiografię przezklatkową zostało prospektywnie zapisanych do Oddziału Medycyny Ultrasonograficznej Affiliated Drum Tower Hospital ze Szkołą Medyczną Uniwersytetu Nanjing.
Kryteria włączenia: pacjenci ze standaryzowaną segmentacją widoku TTE; Kryteria wykluczenia: Pacjenci z niepełną standardową segmentacją.
Zebrano dane z 8 segmentacji projekcji TTE, w tym projekcje przymostkowej osi długiej lewej komory (PLAX_LV), przymostkowej osi krótkiej poziomu dużego naczynia (PSAX_GV), przymostkowej osi krótkiej poziomu zastawki mitralnej (PSAX_MV), przymostkowa oś krótka poziomu mięśnia brodawkowatego (PSAX_PM), przymostkowa oś krótka poziomu wierzchołkowego (PSAX_AP), wierzchołkowe cztery jamy (A4C), wierzchołkowe trzy jamy (A3C), wierzchołkowe dwie jamy (A2C).
Dane 1500 pacjentów wykorzystano jako zbiór uczący, a pozostałych jako zbiór walidacyjny.
Te dane wideo zostały sklasyfikowane według odpowiednich segmentacji wyświetleń i przeanalizowane za pomocą przekształconego modelu Video Swin.
Następnie opracowano moduł punktacji różnych segmentacji widoków, łączący ekstrakcję klatek kluczowych, segmentację obrazu, rozpoznawanie celu wideo i model klasyfikacji wideo.
Jednocześnie porównywano wyniki uzyskane przez system automatycznej oceny obrazu echokardiograficznego z wynikiem sztucznym.
Poprzez ciągłe poprawianie i uczenie się, a ostatecznie budowanie podstawowego automatycznego systemu oceniania.
W końcu system zarządzania jakością obrazu echokardiograficznego został wykonany u pozostałych 500 pacjentów i udoskonalony.
Typ studiów
Obserwacyjny
Zapisy (Oczekiwany)
2000
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Jing Yao, Phd
- Numer telefonu: +8618905188727
- E-mail: w1835199709@163.com
Lokalizacje studiów
-
-
Jiangsu
-
Nanjing, Jiangsu, Chiny, 210008
- Rekrutacyjny
- Affiliated Drum Tower Hospital of Nanjing University Medical School
-
Kontakt:
- Jing Yao, Phd
- Numer telefonu: +18905188727
- E-mail: w18351992709@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
18 lat i starsze (Dorosły, Starszy dorosły)
Akceptuje zdrowych ochotników
Tak
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
pacjentów z wystandaryzowanymi projekcjami TTE
Opis
Kryteria przyjęcia:
- wiek ≥18 lat, płeć bez ograniczeń;
- Pacjenci z wystandaryzowanymi projekcjami TTE;
- Osoby uczestniczyły w badaniu dobrowolnie i podpisały świadomą zgodę;
Kryteria wyłączenia:
- pacjenci z niepełnymi standardowymi widokami TTE;
- pacjentów ze złymi warunkami transmisji dźwięku.
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: Inny
- Perspektywy czasowe: Spodziewany
Kohorty i interwencje
Grupa / Kohorta |
|---|
|
Grupa widoku znormalizowanego
Obrazy projekcji echokardiograficznej pacjentów z tej grupy są wystandaryzowane.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
wynik widoku PSAX
Ramy czasowe: 12 miesięcy
|
wynik PSAX view przez system zarządzania jakością obrazu echokardiograficznego
|
12 miesięcy
|
|
punktacja widoku wierzchołkowego
Ramy czasowe: 12 miesięcy
|
ocena widoku wierzchołkowego przez system zarządzania jakością obrazu echokardiograficznego
|
12 miesięcy
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- Thiebaut R, Thiessard F; Section Editors for the IMIA Yearbook Section on Public Health and Epidemiology Informatics. Artificial Intelligence in Public Health and Epidemiology. Yearb Med Inform. 2018 Aug;27(1):207-210. doi: 10.1055/s-0038-1667082. Epub 2018 Aug 29.
- Sengupta PP, Shrestha S. Machine Learning for Data-Driven Discovery: The Rise and Relevance. JACC Cardiovasc Imaging. 2019 Apr;12(4):690-692. doi: 10.1016/j.jcmg.2018.06.030. Epub 2018 Dec 12. No abstract available.
- Ueda D, Shimazaki A, Miki Y. Technical and clinical overview of deep learning in radiology. Jpn J Radiol. 2019 Jan;37(1):15-33. doi: 10.1007/s11604-018-0795-3. Epub 2018 Dec 1.
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
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)
30 grudnia 2022
Zakończenie podstawowe (Oczekiwany)
31 grudnia 2024
Ukończenie studiów (Oczekiwany)
31 grudnia 2025
Daty rejestracji na studia
Pierwszy przesłany
21 listopada 2022
Pierwszy przesłany, który spełnia kryteria kontroli jakości
21 listopada 2022
Pierwszy wysłany (Rzeczywisty)
1 grudnia 2022
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Oszacować)
23 lutego 2023
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
21 lutego 2023
Ostatnia weryfikacja
1 września 2022
Więcej informacji
Terminy związane z tym badaniem
Inne numery identyfikacyjne badania
- 2022-337-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIEZDECYDOWANY
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 .