Multimodal Imaging-assisted Diagnosis Model for Cervical Spine Tumors
4 июля 2021 г. обновлено: Peking University Third Hospital
Based on a Small Sample Deep Learning Multi-modal Image-assisted Diagnosis Model of Cervical Spine Tumors Clinical Application Research
Cervical spine tumor is a small sample of tumor disease with low incidence, great harm, and complex anatomical structure. It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.
The deep learning model we constructed in the early stage has a higher accuracy rate for the image diagnosis of cervical spondylosis with a large number of cases, and a better clinical application effect, but the accuracy rate for cervical spine tumors with a small number of cases is lower. The reason may be the amount of data. With limited tasks, the traditional deep learning model is difficult to play an effective role.
Based on this, we propose to build a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors with multimodal images, and to evaluate the benign and malignant tumors.
Обзор исследования
Статус
Завершенный
Условия
Подробное описание
Cervical spine tumor is a small-sample tumor disease with low incidence, great harm, and complex anatomical structure.
It is very difficult to identify and classify benign and malignant cervical spine tumors clinically.
The deep learning model we constructed in the early stage is suitable for the large number of cases.
The imaging diagnosis of cervical spondylosis has a high accuracy rate and a good clinical application effect, but the accuracy rate is low for cervical spine tumors with a small number of cases.
The reason may be that for tasks with limited amount of data, the traditional deep learning model is difficult to play an effective role.
Based on this, we propose to construct a small sample-oriented deep learning model to assist clinicians in the diagnosis of cervical spine tumors in multi-modal imaging, and to evaluate the benign and malignant tumors.
This research will not only improve the efficiency and efficiency of cervical spine tumor imaging diagnosis.
Accuracy, to guide clinical personalized treatment, will also provide a basis for the clinical application of deep learning in the field of small samples, which has important clinical significance.
Тип исследования
Наблюдательный
Регистрация (Действительный)
600
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Места учебы
-
-
-
Beijing, Китай
- 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
От 18 лет до 50 лет (Взрослый)
Принимает здоровых добровольцев
Нет
Полы, имеющие право на обучение
Все
Метод выборки
Невероятностная выборка
Исследуемая популяция
Inclusion criteria: clinically suspected cervical spine tumors, multi-modality (X-ray, CT, MR) imaging, followed by needle biopsy or surgery to confirm the tumor, and pathology report.
Exclusion criteria: surgery or radiotherapy before imaging, cervical spine Those who have fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed an informed consent.
Описание
Inclusion Criteria:
- 18-50 years old, about 300 males and females; in the orthopedics outpatient and emergency department of our hospital, the imaging scans (X-ray, CT, MR) showed no obvious abnormalities.
Exclusion Criteria:
- have had surgery before acquiring the images, Those who have cervical spine fractures, deformities, infections, etc. who cannot cooperate with imaging examinations, and those who have not signed the informed consent. The normal control group" includes about 600 patients with normal or slightly degenerated cervical spine, as a standard for training computers to recognize cervical spine structures Images and control images for detecting tumor lesions.
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
Когорты и вмешательства
Группа / когорта |
|---|
|
X-ray
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
|
CT
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
|
MRI
This study completed the manual labeling of preoperative multi-modal images of cervical spine structures and tumor lesions.
On the normal cervical spine, six target areas were labeled: cervical spinal cord (MRI), cervical spine alignment (MRI), cervical intervertebral discs ( MRI), cervical spinal canal area (MRI), cervical cobb angle (X-ray) and cervical posterior longitudinal ligament ossification (CT).
For cervical tumor lesions, complete MR and CT as well as orthopedic, axial and coronal positions.
The label on the lateral X-ray image.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
tumor detection
Временное ограничение: 2022-2023
|
On the basis of the cervical spine structure, it is the modeling of the tumor.
The model based on weakly supervised learning recognizes the morphological features such as the size of the tumor lesion, and uses the fast-adapted meta-learning method to achieve a fast model under a small amount of training.
Optimize, and finally evaluate the benignity, borderline and malignant probability of the tumor and use it as an output.
|
2022-2023
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
cervical spine detection
Временное ограничение: 2022-2023
|
Taking the postoperative pathology report of cancer patients as the audit standard, testing the sensitivity and accuracy of the model, and integrating it into a complete deep learning model.
|
2022-2023
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Спонсор
Следователи
- Учебный стул: hanqiang ouyang, Peking University Third Hospital
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 2020 г.
Первичное завершение (Действительный)
1 июня 2020 г.
Завершение исследования (Действительный)
1 июня 2021 г.
Даты регистрации исследования
Первый отправленный
4 июля 2021 г.
Впервые представлено, что соответствует критериям контроля качества
4 июля 2021 г.
Первый опубликованный (Действительный)
13 июля 2021 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
13 июля 2021 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
4 июля 2021 г.
Последняя проверка
1 июля 2021 г.
Дополнительная информация
Термины, связанные с этим исследованием
Другие идентификационные номера исследования
- IRB00006761-M2020255
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. .