- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT04309851
Подход глубокого обучения к классификации и обнаружению погруженных зубов
Подход глубокого обучения к классификации и обнаружению скрытых молочных зубов
Цели: исследование было направлено на сравнение успешности и надежности применения искусственного интеллекта при обнаружении и классификации погруженных зубов в ортопантомографии (ОПГ).
Методы. Алгоритмы сверточных нейронных сетей (CNN) использовались для обнаружения и классификации погруженных моляров. Модуль обнаружения, основанный на современной архитектуре Faster R-CNN, обрабатывал рентгенограмму для определения границ погруженных моляров. Для оценки диагностической производительности системы и сравнения ее с экспертным уровнем использовался отдельный набор тестов.
Результаты: Уровень успеха классификации и идентификации системы высок при оценке в соответствии с эталонным стандартом. Система была чрезвычайно точной в сравнении производительности с наблюдателями.
Выводы: Производительность предложенного решения для компьютерной диагностики сравнима с экспертами. Полезно диагностировать погруженные моляры с помощью приложения искусственного интеллекта, чтобы предотвратить ошибки. Кроме того, это облегчит диагностику детских стоматологов.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Предварительная обработка, обучение и классификация Исследование проводилось со сбалансированными наборами данных. Наборы данных случаев и контроля были случайным образом разделены на две части: обучающую группу (27 групп случаев/27 контрольных групп) и тестовую группу (10 групп случаев/10 контрольных групп), чтобы предотвратить использование визуальных эффектов в обучающей группе для повторное тестирование. Набор тестовых данных не был виден системой на этапе обучения.
Все изображения размером 2943 на 1435 пикселей в наборе данных перед обучением были изменены до 971 на 474 пикселя. Все используемые изображения OPG включают все зубные ряды. Наборы обучающих и тестовых данных использовались для оценки и генерации весовых коэффициентов для оптимального алгоритма CNN. Произвольная последовательность была сгенерирована с помощью программирования Python с открытым исходным кодом (Python 3.6.1, Python Software Foundation, Уилмингтон, Делавэр, США, https://www.python.org/) язык и библиотеки OpenCV, NumPy, Pandas и Matplotlib. В этом исследовании Tensorflow для разработки модели использовался для классификации погруженных молочных моляров. В качестве обучения переносу использовалась архитектура InceptionV3, а значения переноса сохранялись в кэше. Затем полностью подключенный слой и классификаторы softmax были объединены, чтобы сформировать окончательные слои модели. Обучение проводилось с использованием 7000 шагов с 16G RAM и ПК с NVIDIA GeForce GTX 1050.
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Места учебы
-
-
-
Eskisehir, Турция, 26040
- Seçil Çalışkan
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
Критерий исключения:
ОПГ-изображения низкого качества (металлический артефакт, артефакты из-за ошибок положения при съемке и т. д.) исключались.
Учебный план
Как устроено исследование?
Детали дизайна
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Обнаружение погруженного зуба
Временное ограничение: 6 месяцев
|
Модуль обнаружения, основанный на современной архитектуре Faster R-CNN, обрабатывал рентгенограмму для определения границ погруженных моляров.
|
6 месяцев
|
Соавторы и исследователи
Спонсор
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
- E86412-49
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .
Клинические исследования глубокое обучение
-
BrainswayЕще не набираютСильное депрессивное расстройствоСоединенные Штаты
-
Hospital Israelita Albert EinsteinEmory University; GaiaMais; Instituto Sidarta; Universidade Federal do ABCРекрутингСоциально-эмоциональное обучениеБразилия
-
BrainswayЗавершенныйСильное депрессивное расстройствоСоединенные Штаты, Канада, Германия, Израиль, Франция
-
Rotman Research Institute at BaycrestCentre for Addiction and Mental Health; BrainswayРекрутингБолезнь Альцгеймера | Субъективное когнитивное снижениеКанада
-
BrainswayНеизвестныйЛегкое когнитивное нарушениеИзраиль
-
Mayo ClinicNational Center for Research Resources (NCRR)Завершенный
-
BeerYaakov Mental Health CenterWeizmann Institute of ScienceНеизвестный
-
Sheba Medical CenterElMindA Ltd; BrainswayНеизвестный
-
Shalvata Mental Health CenterНеизвестный
-
BrainswayЕще не набираютОбсессивно-компульсивное расстройство