Rede Neural Convolucional para Detecção de Mielomalacia Cervical
Rede Neural Convolucional para Detecção de Mielomalacia Cervical em Ressonância Magnética
A tecnologia de aprendizado profundo tem sido usada cada vez mais na cirurgia da coluna, bem como em muitos campos médicos. No entanto, percebe-se que a maioria dos estudos sobre esse assunto na literatura foi realizada exceto na coluna cervical. Neste estudo, objetivamos demonstrar a eficácia do algoritmo de aprendizado profundo no diagnóstico de mielomalácia cervical em comparação com métodos diagnósticos convencionais.
As redes neurais artificiais, uma técnica de aprendizado de máquina, têm sido cada vez mais utilizadas em diversos campos industriais e de pesquisa. O desenvolvimento de unidades computacionais e o aumento da quantidade de dados levaram ao desenvolvimento de novos métodos em redes neurais artificiais
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
A mielopatia cervical (MC) é uma doença degenerativa frequente da coluna cervical que ocorre como resultado da compressão da medula espinhal. Ao avaliar esta doença e determinar as opções de tratamento, a clínica do paciente e as modalidades radiológicas devem ser avaliadas em conjunto.
Os procedimentos de imagem atuais para CM são radiografias simples, tomografia computadorizada e ressonância magnética (MRI). No entanto, a ressonância magnética em CM é mais valiosa na avaliação do disco, medula espinhal e outros tecidos moles em comparação com outros métodos de imagem. As tecnologias de inteligência artificial também são usadas em muitas aplicações de saúde, como análise de imagens médicas, análise de sinais biológicos, etc. Neste estudo, objetivamos demonstrar a eficácia do algoritmo de aprendizado profundo no diagnóstico de mielomalácia cervical em comparação com métodos diagnósticos convencionais.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Fatih
-
Istanbul, Fatih, Peru, 34093
- Istanbul University
-
-
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:
- os pacientes com sintomas clássicos de mielomalácia cervical, como dor e rigidez no pescoço, fraqueza e falta de jeito nas extremidades superiores ou dificuldades na marcha e achados radiológicos de compressão da coluna vertebral
- 30-80 anos de idade.
Critério de exclusão:
- Pacientes com história prévia de cirurgia da coluna cervical e com doença sistêmica (doença reumatológica ou neural).
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
mielopatia cervical
Imagens de RM de pacientes com mielopatia cervical
|
As redes neurais convolucionais, uma técnica de aprendizado de máquina, têm sido cada vez mais utilizadas em diversos campos industriais e de pesquisa.
O desenvolvimento de unidades computacionais e a crescente quantidade de dados levaram ao desenvolvimento de novos métodos em redes neurais artificiais.
O aprendizado profundo (DL) é uma rede neural multicamada na qual a extração de recursos é feita automaticamente.
Ele estende as redes neurais tradicionais adicionando mais camadas ocultas à arquitetura de rede entre as camadas de entrada e saída para modelar relacionamentos mais complexos e não lineares.
|
|
normal
seção normal da ressonância magnética de pacientes com mielopatia cervical
|
As redes neurais convolucionais, uma técnica de aprendizado de máquina, têm sido cada vez mais utilizadas em diversos campos industriais e de pesquisa.
O desenvolvimento de unidades computacionais e a crescente quantidade de dados levaram ao desenvolvimento de novos métodos em redes neurais artificiais.
O aprendizado profundo (DL) é uma rede neural multicamada na qual a extração de recursos é feita automaticamente.
Ele estende as redes neurais tradicionais adicionando mais camadas ocultas à arquitetura de rede entre as camadas de entrada e saída para modelar relacionamentos mais complexos e não lineares.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
O valor da precisão da matriz de confusão para visualizações sagitais
Prazo: 1 dia
|
É um layout de tabela específico que permite a visualização do desempenho de um algoritmo.
|
1 dia
|
|
O valor da precisão da matriz de confusão para visualizações axiais
Prazo: 1 dia
|
É um layout de tabela específico que permite a visualização do desempenho de um algoritmo.
|
1 dia
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Hakan Yilmaz, Karabuk University, Faculty of Engineering
- Investigador principal: Murat Korkmaz, Istanbul University, Faculty of Medicine
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (REAL)
Conclusão Primária (REAL)
Conclusão do estudo (REAL)
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
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- KAEK/2020.07.129
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- CIF
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 .