Algoritmos de reconstrução de aprendizagem profunda em CTA duplo de baixa dose
16 de abril de 2024 atualizado por: Hao Tang
Avaliação de algoritmos de reconstrução de aprendizado profundo em imagens vasculares de tomografia computadorizada dupla de baixa dose
O objetivo deste estudo observacional é avaliar o impacto da reconstrução de imagem de aprendizagem profunda na qualidade da imagem e no desempenho diagnóstico do CTA duplo de baixa dose.
A principal questão que pretende responder é explorar a viabilidade da reconstrução de imagens de aprendizagem profunda em CTA dupla de baixa dose.
Visão geral do estudo
Status
Recrutamento
Condições
Intervenção / Tratamento
Descrição detalhada
- Foram incluídos os dados brutos de pacientes submetidos à ATC de cabeça e pescoço, ATC coronária e ATC abdominal tanto nos grupos de dose padrão quanto de dose dupla baixa.
- Técnicas como retroprojeção filtrada, reconstrução iterativa e reconstrução de aprendizado profundo foram realizadas.
- A viabilidade da reconstrução de aprendizagem profunda em CTA dupla de baixa dose foi avaliada com base na qualidade da imagem e no desempenho diagnóstico.
Tipo de estudo
Observacional
Inscrição (Estimado)
1200
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: Youfa M Tang, Doctor
- Número de telefone: 8613554101223
- E-mail: 1525573397@qq.com
Estude backup de contato
- Nome: Tan, Doctor
- Número de telefone: 86 159 2631 4149
- E-mail: 1655118783@qq.com
Locais de estudo
-
-
Hubei
-
Wuhan, Hubei, China, 430000
- Recrutamento
- Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
-
Contato:
- Youfa M Tang
- Número de telefone: +8613554101223
- E-mail: 1525573397@qq.com
-
-
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
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Sim
Método de amostragem
Amostra de Probabilidade
População do estudo
Adultos saudáveis ou doentes submetidos a tomografia computadorizada vascular
Descrição
Critério de inclusão:
- Pacientes com ATC de cabeça e pescoço, ATC de artéria coronária e ATC abdominal devido a acidente vascular cerebral, doença coronariana e doença inflamatória abdominal e tumores abdominais.
Critério de exclusão:
- Idade <18 anos, gravidez, reação alérgica ao agente de contraste iodado, insuficiência renal e hipertireoidismo grave.
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 |
Intervenção / Tratamento |
|---|---|
|
Grupo de dose padrão
Foram incluídos dados brutos de 400 pacientes com ATC de cabeça e pescoço com dose convencional, ATC coronária e ATC abdominal.
Foram realizadas retroprojeção filtrada, iteração e reconstrução de aprendizado profundo.
Avaliar o impacto da reconstrução de aprendizagem profunda na qualidade da imagem e no desempenho diagnóstico em pacientes com CTA de dose convencional.
|
A reconstrução de imagem de aprendizagem profunda (DLIR) é um algoritmo de redução de ruído de inteligência artificial recentemente desenvolvido nos últimos anos.
Ele treina enormes conjuntos de dados FBP de alta qualidade para aprender a distinguir ruído e sinal, de modo a reduzir seletivamente o ruído e reconstruir imagens de alta qualidade com dados de imagem de baixa qualidade.
|
|
Grupo duplo de dose baixa
Foram incluídos dados brutos de 800 pacientes com baixa voltagem do tubo e ATC de cabeça e pescoço com meio de contraste, ATC coronariana e ATC abdominal.
Foram realizadas retroprojeção filtrada, iteração e reconstrução de aprendizado profundo.
Avaliar o impacto da reconstrução de aprendizagem profunda na qualidade da imagem e no desempenho diagnóstico em pacientes com CTA de dose dupla e baixa.
|
A reconstrução de imagem de aprendizagem profunda (DLIR) é um algoritmo de redução de ruído de inteligência artificial recentemente desenvolvido nos últimos anos.
Ele treina enormes conjuntos de dados FBP de alta qualidade para aprender a distinguir ruído e sinal, de modo a reduzir seletivamente o ruído e reconstruir imagens de alta qualidade com dados de imagem de baixa qualidade.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
A especificidade e a sensibilidade calculadas através do valor de corte ideal da curva característica de operação do receptor.
Prazo: 2026.1
|
A especificidade e a sensibilidade foram calculadas separadamente para o grupo de dose padrão e para o grupo de dose baixa dupla, utilizando o valor de corte ideal da curva característica de operação do receptor, com o objetivo de comparar a acurácia diagnóstica entre os dois grupos.
|
2026.1
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
A relação sinal-ruído calculada a partir dos valores de tomografia computadorizada e ruído
Prazo: 2026.1
|
A relação sinal-ruído foi calculada separadamente para o grupo de dose padrão e o grupo de dose baixa dupla usando valores de tomografia computadorizada e ruído, para avaliar a qualidade da imagem entre os dois grupos.
|
2026.1
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Investigadores
- Investigador principal: Hao Tang, Doctor, Tongji Hospital
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 junho de 2023
Conclusão Primária (Estimado)
1 de dezembro de 2025
Conclusão do estudo (Estimado)
1 de março de 2026
Datas de inscrição no estudo
Enviado pela primeira vez
11 de abril de 2024
Enviado pela primeira vez que atendeu aos critérios de CQ
16 de abril de 2024
Primeira postagem (Real)
18 de abril de 2024
Atualizações de registro de estudo
Última Atualização Postada (Real)
18 de abril de 2024
Última atualização enviada que atendeu aos critérios de controle de qualidade
16 de abril de 2024
Última verificação
1 de abril de 2024
Mais Informações
Termos relacionados a este estudo
Outros números de identificação do estudo
- 102122
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Descrição do plano IPD
Para proteger a privacidade dos participantes, os dados relevantes não são partilhados até o consentimento dos participantes
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 .