Uma nova técnica para o tratamento de doenças da retina
18 de janeiro de 2021 atualizado por: Second Affiliated Hospital, School of Medicine, Zhejiang University
Pesquisa de diagnóstico inteligente e rastreamento automático de lesões para tratamento preciso de doenças da retina com base em aprendizado profundo
Com o advento da era da medicina de precisão, com base na aprendizagem profunda da imagem FFA para identificar a área das lesões do fundo do olho, registro de imagens do fundo do olho, de acordo com a gravidade das doenças do fundo do olho para projetar a energia e o caminho do laser ideais, o tratamento preciso do fundo do olho doenças tem necessidades clínicas urgentes e significado muito importante
Visão geral do estudo
Status
Recrutamento
Condições
Descrição detalhada
- Construção estruturada do banco de dados de imagens DR e anotação precisa: retrospectiva (de 1º de janeiro de 2016 até o dia da revisão ética) e prospectiva (do dia da revisão ética até 31 de dezembro de 2023) coletados FFA e outros dados de imagem multimodais. Vários oftalmologistas e especialistas seniores em doenças do fundo de olho fizeram avaliações diagnósticas em cada imagem de cada paciente e completaram o diagnóstico de classificação precisa dos dados Finalmente, um banco de dados estruturado do Dr foi estabelecido passo a passo. Este artigo usa a teoria da visão computacional para quantificar a distorção de qualidade da imagem FFA, orienta o computador para configurar o aprimoramento de imagem existente e os algoritmos de redução de ruído de forma adaptativa e conclui o pré-processamento dos dados da imagem do fundo de olho.
- Construção do sistema de diagnóstico de classificação inteligente do Dr com base na imagem do fundo: em primeiro lugar, a imagem do fundo é usada como banco de dados de treinamento de dados do fundo e, de acordo com o padrão clínico internacional de diagnóstico de classificação do Dr, muitos médicos marcam a imagem do fundo com precisão. Critérios clínicos internacionais de classificação do Dr: grau 0, sem anormalidades retinianas óbvias; grau 1, apenas microangioma; grau 2, mais grave que microangioma, mas menos grave que grave; grau 3, quatro quadrantes, cada quadrante tem mais de 20 hemorragia retiniana, mais de dois quadrantes têm contas venosas definidas, mais de um quadrante tem Irma óbvio, sem sinais de retinopatia proliferativa; grau 4, neovascularização, hemorragia vítrea Volume de sangue, hemorragia pré-retiniana. Com base no padrão de diagnóstico inteligente de classificação do Dr, a rede neural de convolução é construída para treinar e classificar as imagens do fundo de olho. Depois de repetir esse processo várias vezes para cada imagem no conjunto de treinamento de imagens de fundo, o sistema de aprendizado profundo aprende como classificar todos os dados no conjunto de treinamento para diagnosticar com precisão as imagens de fundo.
- Construção de rede neural de convolução para área de foco de imagem FFA: a rede neural de convolução de aprendizado profundo é composta por milhões de parâmetros, que são usados para treinar e executar determinadas tarefas. A saída gerada por cada operação de convolução linear é regularizada pela função de ativação não linear, combinada com a redução de dimensionalidade da camada de pooling e da camada de conexão completa, de modo que o processo de otimização da rede neural profunda não apenas supera a dispersão do gradiente, mas também ajuda a gerar recursos semelhante ao mecanismo de percepção hierárquica das células neurais humanas aos sinais visuais. A imagem FFA é usada como banco de dados de treinamento de dados de fundo. Com base na rotulagem precisa da área da lesão (área sem perfusão, área de microangioma e área de vazamento), a imagem FFA precisa ser tratada para o reconhecimento inteligente da área da lesão. No processo de treinamento, os parâmetros da rede neural são inicialmente configurados para valores aleatórios. Então, para cada imagem, os resultados dados pela função são comparados com os resultados conhecidos do conjunto de treinamento para otimizar os parâmetros da função. Depois de repetir esse processo várias vezes para cada imagem no conjunto de dados de treinamento, o sistema de aprendizagem profunda aprendeu a classificar todos os dados no conjunto de treinamento para prever com precisão as lesões Dr nas imagens FFA.
- Construção do modelo de navegação a laser de fundo inteligente com base na imagem FFA e registro de imagem de fundo: o sistema de reconhecimento inteligente de lesão Dr na imagem FFA acima identifica com precisão as áreas que precisam de tratamento a laser de fundo, ajuda os médicos a determinar as lesões que precisam ser tratadas e com base na correspondência de imagens do aprendizado de máquina, fornece a imagem de registro da imagem do fundo e da combinação FFA, que é definida de acordo com a localização e as informações de tamanho da área da lesão De acordo com o diâmetro da retina correspondente e o arranjo de diferentes pontos de laser, o laser personalizado o esquema de tratamento é formulado e o modelo de orientação de tratamento a laser de fundo inteligente é construído.
Tipo de estudo
Observacional
Inscrição (Antecipado)
2000
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Contato de estudo
- Nome: Jin Kai, MD
- Número de telefone: 13646828461
- E-mail: jinkai@zju.edu.cn
Locais de estudo
-
-
Zhejiang
-
Hanzhou, Zhejiang, China
- Recrutamento
- The Second Affiliated Hospital of Zhejiang University
-
Contato:
- Jin Kai, MD
- Número de telefone: 13646828461
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Sim
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra de Probabilidade
População do estudo
os pacientes são submetidos a exame de retina no centro oftalmológico do Segundo Hospital Afiliado da Universidade de Zhejiang
Descrição
Critério de inclusão:
- pacientes com doenças da retina
Critério de exclusão:
- pacientes com outras doenças afetam o exame da retina
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
|---|
|
pacientes
pacientes com doenças da retina
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
inteligência artificial
Prazo: 2016.01-2023.12
|
usando dados para desenvolver modelos de aprendizado profundo
|
2016.01-2023.12
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Investigadores
- Investigador principal: Jin Kai, MD, Zhejiang University
- Investigador principal: Xu Yufeng, MD, Zhejiang University
- Investigador principal: Lou Lixia, MD, Zhejiang University
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
1 de janeiro de 2016
Conclusão Primária (Antecipado)
1 de janeiro de 2023
Conclusão do estudo (Antecipado)
31 de dezembro de 2023
Datas de inscrição no estudo
Enviado pela primeira vez
18 de janeiro de 2021
Enviado pela primeira vez que atendeu aos critérios de CQ
18 de janeiro de 2021
Primeira postagem (Real)
22 de janeiro de 2021
Atualizações de registro de estudo
Última Atualização Postada (Real)
22 de janeiro de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
18 de janeiro de 2021
Última verificação
1 de janeiro de 2021
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 研2019-428
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .