- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT04140565
Imagens de tomografia por emissão de pósitrons (PET) usando redes neurais profundas
Extração de imagens diagnósticas de tomografia por emissão de pósitrons (PET) de 10 segundos de aquisição da posição do leito, usando redes neurais profundas
As imagens PET são baseadas na detecção de dois fótons de aniquilação 511 KeV que são produzidos por isótopos emissores de pósitrons. Quanto maior o tempo de aquisição, mais fótons são detectados e processados, resultando em melhor qualidade de imagem. No entanto, tempos de varredura longos (normalmente de 20 a 40 minutos por varredura) são menos convenientes para os pacientes e podem resultar em movimento e desalinhamento do paciente.
vários estudos usaram o aprendizado de máquina para produzir imagens de diagnóstico a partir de imagens de baixa qualidade. O objetivo do nosso estudo é produzir imagens PET de diagnóstico com tempo de aquisição de 10 segundos por posição da cama usando algoritmos DNN
Visão geral do estudo
Status
Descrição detalhada
A tomografia por emissão de pósitrons (PET)/tomografia computadorizada (TC), com o uso de vários traçadores, entre os quais a fluorodesoxiglicose (FDG) é o mais prevalente, tornou-se a principal modalidade de imagem em oncologia. Os componentes PET e CT refletem informações metabólicas e anatômicas, respectivamente. As imagens PET são baseadas na detecção de dois fótons de aniquilação 511 KeV que são produzidos por isótopos emissores de pósitrons. Quanto maior o tempo de aquisição, mais fótons são detectados e processados, resultando em melhor qualidade de imagem. No entanto, tempos de varredura longos (normalmente de 20 a 40 minutos por varredura) são menos convenientes para os pacientes e podem resultar em movimento e desalinhamento do paciente. Ao longo dos anos, vários métodos, como 3D e aquisição de tempo de voo, foram desenvolvidos para compensar a degradação da qualidade da imagem como resultado da redução do tempo de varredura. Recentemente, vários estudos usaram o aprendizado de máquina para produzir imagens de diagnóstico a partir de imagens de baixa qualidade. Xiang et al compararam imagens PET do cérebro que foram adquiridas em 3 minutos (ou seja, PET de baixa qualidade (LPET)) com imagens PET padrão (ou seja, SPET) que foram adquiridas em 12 minutos. Eles combinaram imagens ponderadas LPET e T1 usando redes neurais profundas (DNN) para produzir imagens PET de diagnóstico equivalentes a imagens SPET.
O objetivo do nosso estudo é produzir imagens PET diagnósticas com tempo de aquisição de 10 segundos por posição da cama usando algoritmos DNN desenvolvidos no laboratório CILAB no departamento de imagem de Sheba.
Os algoritmos foram previamente validados com sucesso para a remoção de ruído de tomografias computadorizadas de tórax de dose ultrabaixa, tornando-os adequados para a triagem de câncer de pulmão. Os algoritmos são baseados no algoritmo de médias não locais consistentes localmente (LC-NLM).
O algoritmo LC-NLM usa vizinhos mais próximos aproximados (ANN) para encontrar o patch de alto SNR mais semelhante, em um banco de dados construído propositadamente, para cada patch ruidoso na imagem de entrada (Green et al.) ] Propomos usar o recentemente introduziu redes neurais não locais (Wang et al.) para empilhar o LC-NLM em um bloco não local totalmente treinável e consistente localmente (LC-NLB). As redes não locais originais combinam as ideias do algoritmo clássico de meios não locais (NLM) (Buades et al.) em um bloco de rede neural, que calcula a saída em uma posição específica como uma soma ponderada dos recursos em todas as posições .
Tipo de estudo
Inscrição (Antecipado)
Contactos e Locais
Contato de estudo
- Nome: Liran Domachevsky, MD
- Número de telefone: 972-53-3387635
- E-mail: Liran.Domachevsky@sheba.health.gov.il
Locais de estudo
-
-
-
Ramat Gan, Israel, 52621
- Sheba Medical Center Hospital- Tel Hashomer
-
Contato:
- Liran Domachevsky, MD
- Número de telefone: 052-53-3387635
- E-mail: Liran.Domachevsky@sheba.health.gov.il
-
-
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
Critérios de inclusão: Pacientes que realizam FDG PET/CT -
Critérios de Exclusão:1. Menores de 18 anos. 2. PET/CT realizada com um radioisótopo diferente de FDG.
-
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Produção de imagens PET de diagnóstico usando algoritmos de redes neurais profundas
Prazo: 2 anos
|
Para produzir imagens PET de posições de cama muito curtas equivalentes em qualidade às imagens PET padrão
|
2 anos
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Liran Domachevsky, MD, Sheba Medical Center
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (ANTECIPADO)
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
Palavras-chave
Outros números de identificação do estudo
- SHEBA-19-6267-LD-CTIL
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
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 .