Deep Learning of Knee Joint MRI Intelligent Detection
8 июля 2021 г. обновлено: Peking University Third Hospital
Knee joint is the most common part of sports injury.
MRI is a powerful tool to diagnose knee joint injury.
However, it takes a long time to read the film, needs a lot, and some hidden injuries have a high rate of missed diagnosis.
The emerging deep learning technology can establish automatic recognition model through large samples.
A large sample of knee joint MRI was collected retrospectively to train the deep learning model of knee joint MRI, and the sensitivity and specificity of the deep learning model were verified in multi center.
Depending on the clinical needs, the deep learning model annotation system is established.
A large number of knee MRI were obtained and labeled.
According to the knee joint MRI training depth learning model, and iterative optimization, the final version is formed.
Multi center validation was carried out.
Continuous operation records and corresponding preoperative knee MRI were obtained from multiple hospitals.
The sensitivity and specificity of the model were calculated with operation records as the gold standard.
At the same time, an expert team composed of senior radiologists and sports medicine doctors was organized to read the films.
The sensitivity and specificity of manual reading and AI reading were compared to prove the superiority of AI reading.
This study can improve the efficiency of clinical MRI film reading, reduce the workload of doctors, improve the film reading level of grass-roots hospitals, promote the development of the discipline, and has good social benefits and market prospects.
Обзор исследования
Статус
Рекрутинг
Условия
Подробное описание
The knee joint is the most common sports injury site in the human body, including ligament rupture, meniscus tear, cartilage lesions, and free body formation.
Knee MRI has extremely high sensitivity and specificity in diagnosing knee diseases, especially its negative predictive value is close to 100%, and it is an effective means to assist clinicians in diagnosing knee diseases.
However, there are many MRI sequences of the knee joint, and different diseases have different imaging effects on various sequences, and the types of knee joint diseases are complicated, so it takes a long time to evaluate the knee joint MRI.
Due to the huge clinical demand for knee MRI, it has caused a great burden on radiology and sports medicine orthopedics.
At the same time, for some special injuries of the knee joint, such as hidden meniscus tear, rupture of the anterior cross part and adhesion in place after rupture, local ligament injury, etc., the conclusions given by different readers are very different, and it is easy to miss the diagnosis.
And the missed diagnosis seriously affects the prognosis of the knee joint, leading to the progression of arthritis.
In addition, professional musculoskeletal system imaging experts have a long training cycle, and a large number of orthopedic doctors and radiologists in basic hospitals have limited reading skills for knee MRI, which limits the development of local sports medicine disciplines and the development of related diagnosis and treatment.
The purpose of our research is to train the deep learning model of knee MRI through multi-center and large sample of knee MRI; Multi-center verification of the sensitivity and specificity of the knee MRI deep learning model, and compare the accuracy of the deep learning model and manual image reading.
Тип исследования
Наблюдательный
Регистрация (Ожидаемый)
50000
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Контакты исследования
- Имя: Jia-Kuo Yu
- Номер телефона: 01082267392
- Электронная почта: yujiakuo@126.com
Места учебы
-
-
Beijing
-
Beijing, Beijing, Китай, 100191
- Рекрутинг
- Institute of Sports Medicine, Peking University Third Hospital
-
Контакт:
- Ai-Bing Huang, PhD
- Номер телефона: 8615650715003
- Электронная почта: hab165@163.com
-
-
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
All patients related to sports injuries
Описание
Inclusion Criteria:
- ACL-injured patients;
- Follow-up of patients after ACL injury;
- patients with genetic predisposition to ACL injury;
Exclusion Criteria:
- Patients with joint injury caused by clear external forces;
- Definitely have stroke, heart disease, epilepsy, cranial neurosurgery, migraine;
- Have had a concussion or head injury in the past 6 months.
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: Когорта
- Временные перспективы: Ретроспектива
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Marking system design based on Magnetic Resonance Imaging（MRI）
Временное ограничение: 2021
|
According to the development goals, combined with the performance of MRI and the structure of the model algorithm, the labeling rules and logic of knee MRI are determined.
On this basis, a labeling system is designed, and different labeling tools are designed for a variety of lesions.
|
2021
|
|
Data export and annotation
Временное ограничение: 2021
|
Encrypt the MRI file and import it into the medical standard intelligent labeling system.
Create a dedicated tagging account for each tagger to tag.
Based on the previously marked image data, develop algorithms for segmenting different lesion areas.
|
2021
|
|
Build a deep learning model
Временное ограничение: 2021
|
According to the diagnostic logic, we select the coronal and sagittal images of the knee joint T2 MRI sequence for analysis.
And choose the Resnext model that has been verified by a large number of ImageNet and other large data sets to extract the features of the coronal out-of-state images.
After the multi-layer convolution operation, the key feature representation of the image is extracted.
At the same time, in the process of feature extraction, the batch normalization module is used to perform feature transformation to highlight the most meaningful part of the feature.
|
2021
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Спонсор
Соавторы
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 (Действительный)
1 января 2021 г.
Первичное завершение (Ожидаемый)
31 декабря 2021 г.
Завершение исследования (Ожидаемый)
15 мая 2022 г.
Даты регистрации исследования
Первый отправленный
27 июня 2021 г.
Впервые представлено, что соответствует критериям контроля качества
8 июля 2021 г.
Первый опубликованный (Действительный)
12 июля 2021 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
12 июля 2021 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
8 июля 2021 г.
Последняя проверка
1 июня 2021 г.
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- M2020243
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. .