Segmentação Automática de Fígado Policístico (ASEPOL)
Segmentação Automática por uma Rede Neural Convolucional (Inteligência Artificial - Deep Learning) de Fígados Policísticos, como Modelo de Fígados Dismórficos Multilesionais
A avaliação do volume do fígado antes da cirurgia, a previsão do volume remanescente do fígado após a cirurgia, a detecção de lesões primárias ou secundárias no parênquima hepático são aplicações comuns que requerem a detecção ideal dos contornos do fígado e, portanto, da segmentação do fígado.
Existem várias técnicas manuais e trabalhosas, semi-automáticas e até automáticas.
No entanto, patologia grave que deforma os contornos do fígado (fígados multimetastáticos...), o ambiente hepático de densidade semelhante ao fígado ou lesões, a técnica de exame de TC são variáveis que dificultam a detecção dos contornos. As técnicas actuais, mesmo automáticas, são limitadas neste tipo de casos (não raro) e na maioria das vezes requerem reajustes que fazem com que a automatização perca o seu valor.
Todos estes critérios de dificuldades de segmentação estão reunidos nos fígados da policistose hepatorrenal, constituindo assim um modelo de estudo adaptado para o desenvolvimento de uma ferramenta de segmentação automática.
Para obter uma segmentação automática de qualquer fígado lesionado, ultrapassando os critérios de dificuldade considerados, os investigadores desenvolveram uma rede neural convolucional (inteligência artificial - aprendizagem profunda) útil para a prática clínica.
Visão geral do estudo
Status
Intervenção / Tratamento
Tipo de estudo
Inscrição (Antecipado)
Contactos e Locais
Locais de estudo
-
-
-
Lyon, França, 69437
- Recrutamento
- Service de radiologie - Pavillon B - Cellule Recherche imagerie, Hôpital Edouard Herriot (HCL)
-
Contato:
- Bénédicte CAYOT
- Número de telefone: +33 472110400
- E-mail: benedicte.cayot@chu-lyon.fr
-
Contato:
- Pierre-Jean VALETTE, MD, Prof.
- Número de telefone: +33 472117544
- E-mail: pierre-jean.valette@chu-lyon.fr
-
Investigador principal:
- Pierre-Jean VALETTE, MD, Prof.
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Pacientes ≥ 18 anos
- Pacientes com policistose hepato-renal, com ou sem cirurgia
- Pacientes com pelo menos uma tomografia abdominal-pélvica sem injeção ou com injeção entre 1º de janeiro de 2016 e agosto de 2018
- Pacientes com boa qualidade e imagens disponíveis
Critério de exclusão:
- Pacientes sem imagens de tomografia computadorizada disponíveis
- Pacientes com má qualidade de imagens de tomografia computadorizada
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Grupo de treinamento de redes neuronais
As seguintes variáveis radiológicas, relacionadas a cada exame de TC, serão coletadas para cada paciente:
|
Os exames de TC anonimizados serão revisados em Lyon, no departamento de imagem do Hospital Edouard Herriot, por um radiologista especialista e um estagiário dos hospitais de Lyon.
Será realizada uma fase inicial de treinamento da rede de inteligência artificial: - Segmentação dos fígados de uma primeira parte do exame de TC, por um interno dos hospitais de Lyon Será realizada uma fase inicial de treinamento da rede de inteligência artificial: - Uso de dados de computador para conduzir a rede de inteligência artificial. |
|
Grupo de validação de rede neuronal
As seguintes variáveis radiológicas, relacionadas a cada exame de TC, serão coletadas para cada paciente:
|
Os exames de TC anonimizados serão revisados em Lyon, no departamento de imagem do Hospital Edouard Herriot, por um radiologista especialista e um estagiário dos hospitais de Lyon.
Será realizada uma fase de validação da ferramenta de inteligência artificial com segmentação dos fígados da segunda parte dos exames de TC: - Realizado por um estagiário nos hospitais de Lyon Será realizada uma fase de validação da ferramenta de inteligência artificial com segmentação dos fígados da segunda parte dos exames de TC: - Realizado pela rede neural |
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Teste de segmentação automática pela rede neural convolucional neste grupo e coleta de conjunto de dados
Prazo: Aos 4 meses após a randomização
|
Desenvolvimento de uma ferramenta de segmentação automática para fígados policísticos altamente dismórficos como pré-requisito para a segmentação de qualquer tipo de fígado multilesional e difícil de segmentar, a fim de facilitar a detecção de lesões e a medição de volume na prática clínica. Randomização do paciente em dois grupos de dados, um para treinamento e outro para validação da rede neural convolucional (inteligência artificial)
|
Aos 4 meses após a randomização
|
Colaboradores e Investigadores
Patrocinador
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Antecipado)
Conclusão do estudo (Antecipado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- ASEPOL
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .