SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
29 июня 2021 г. обновлено: 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.
Обзор исследования
Статус
Еще не набирают
Вмешательство/лечение
Подробное описание
- 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.
Тип исследования
Наблюдательный
Регистрация (Ожидаемый)
800
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Контакты исследования
- Имя: huishu Yuan, MD
- Номер телефона: 15810245738
- Электронная почта: huishuy@bjmu.edu.cn
Учебное резервное копирование контактов
- Имя: Ming Ni, MD
- Номер телефона: +8613884794867
- Электронная почта: sdyingxiang2017@163.com
Места учебы
-
-
Beijing
-
Beijing, Beijing, Китай, 010
- Peking University Third Hospital
-
-
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Н/Д
Полы, имеющие право на обучение
Все
Метод выборки
Невероятностная выборка
Исследуемая популяция
Collect and analyze patients who underwent shoulder MR examinations in the Department of Radiology, Peking University Third Hospital from September 2018 to September 2020.
Описание
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.
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
- Наблюдательные модели: Кейс-контроль
- Временные перспективы: Ретроспектива
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
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.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
SLAP Injury of the Shoulder Joint: Application Value of Deep Learning in Diagnosis
Временное ограничение: 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
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Спонсор
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (Ожидаемый)
1 октября 2021 г.
Первичное завершение (Ожидаемый)
1 июня 2022 г.
Завершение исследования (Ожидаемый)
1 июля 2022 г.
Даты регистрации исследования
Первый отправленный
29 июня 2021 г.
Впервые представлено, что соответствует критериям контроля качества
29 июня 2021 г.
Первый опубликованный (Действительный)
7 июля 2021 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
7 июля 2021 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
29 июня 2021 г.
Последняя проверка
1 июня 2021 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- M2020458
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Нет
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
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. .