SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
29 de junho de 2021 atualizado por: Peking University Third Hospital
This study intends to study the shoulder SLAP injury through deep learning technology and establish a deep learning model through the combination of axial and oblique coronal images to establish a deep learning method that can accurately identify and grade shoulder SLAP injury.
Visão geral do estudo
Status
Ainda não está recrutando
Intervenção / Tratamento
Descrição detalhada
- Recognition of labrum images based on LeNet: axial and oblique coronal T2-fs images were used, and all images were corrected and standardized. LeNet identified the images with labrum of the shoulder joint, and the images with labrum structure of shoulder joint were selected from the complete sequence. In contrast, the images without labrum structure were deleted. All the data are divided into a training set (70%, 30% in training set as verification set), and the remaining 30% as a test set to evaluate the accuracy of model recognition. Enter the obtained results into the next step.
- Recognition and segmentation of glenoid lip of shoulder joint based on DenseNet: the labrum is recognized by DenseNet in the selected image. The labelimg software based on Python was used to locate the labrum coordinates and then input them into Python for recognition learning. All the data were divided into a training set (70% and 30% of the training set were selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the labrum structure, the labrum structure is locally cut and enlarged to remove the redundant information and improve the recognition efficiency and accuracy. Finally, input the result to the next step.
- Recognition and grading of shoulder SLAP injury based on 3D-CNN: recognition and grading of input data through 3D-CNN model. 3D-CNN is divided into eight layers: input layer, hard wire layer H1, convolution layer C2, downsampling layer S3, convolution layer C4, downsampling layer S5, convolution layer C6 and output layer. 3D-CNN constructs a cube by stacking multiple consecutive frames and then uses a 3D convolution kernel in the cube. Through this structure, the feature images in the convolution layer will be connected with multiple adjacent frames in the previous layer to realize the information acquisition of continuous images. Similarly, the data is divided into a training set (70%, and then 30% of the training set is selected as the verification set), and the remaining 30% is used as the test set to evaluate the classification accuracy to identify whether there is labrum injury and grade the image with injury.
- Establish CNN combined model: after establishing the model for the axial and oblique coronal view according to the above process (1-3), according to the output characteristics of the CNN classification model, predict the probability of different grades before the output results, and the output results are based on these probabilities to select the expression form of the maximum possible probability. Our combined model averages the probabilities of these different classifications, calculates the final prediction probability, and then obtains the final joint model. The test set of the third step (including the mixed data of axial and coronal images) was used to verify the joint model.
Tipo de estudo
Observacional
Inscrição (Antecipado)
800
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: huishu Yuan, MD
- Número de telefone: 15810245738
- E-mail: huishuy@bjmu.edu.cn
Estude backup de contato
- Nome: Ming Ni, MD
- Número de telefone: +8613884794867
- E-mail: sdyingxiang2017@163.com
Locais de estudo
-
-
Beijing
-
Beijing, Beijing, China, 010
- Peking University Third Hospital
-
-
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
N/D
Gêneros Elegíveis para o Estudo
Tudo
Método de amostragem
Amostra Não Probabilística
População do estudo
Collect and analyze patients who underwent shoulder MR examinations in the Department of Radiology, Peking University Third Hospital from September 2018 to September 2020.
Descrição
Inclusion Criteria:
- Without any treatment before imaging examination;
- MR of the shoulder joint was performed within 3 months before the operation and the image quality was good;
- Arthroscopic operation was performed in our hospital, and the operation records were complete.
Exclusion Criteria:
- History of shoulder surgery, tumor, or previous fracture;
- Unclear image, serious artifact, or incomplete clinical data.
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
- Modelos de observação: Controle de caso
- Perspectivas de Tempo: Retrospectivo
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Normal control group-Grade 0
Arthroscopic examination of the labrum was normal, and the labrum was intact without injury or tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament injury -Grade 1
Arthroscopic examination of the shoulder showed labrum degeneration or injury, but no local or complete tear.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
|
Ligament tear-Grade 2
Arthroscopy of the shoulder revealed partial or complete loss of labrum.
|
The results of shoulder arthroscopy were taken as the gold standard, and MRI examination was taken as the research object.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
Prazo: 2021.10.1-2022.7.1
|
The model of deep learning was obtained for diagnosis and grading of SLAP injury and compared with the radiologists of different stages.
|
2021.10.1-2022.7.1
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
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 (Antecipado)
1 de outubro de 2021
Conclusão Primária (Antecipado)
1 de junho de 2022
Conclusão do estudo (Antecipado)
1 de julho de 2022
Datas de inscrição no estudo
Enviado pela primeira vez
29 de junho de 2021
Enviado pela primeira vez que atendeu aos critérios de CQ
29 de junho de 2021
Primeira postagem (Real)
7 de julho de 2021
Atualizações de registro de estudo
Última Atualização Postada (Real)
7 de julho de 2021
Última atualização enviada que atendeu aos critérios de controle de qualidade
29 de junho de 2021
Última verificação
1 de junho de 2021
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- M2020458
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 .