Deep Learning för prostatasegmentering (GOPI-Segm)
Datorstödd prostatasegmentering med flera zoner på MR-bilder med en djupinlärningsbaserad metod
Eftersom de diagnostiska kriterierna för prostatacancer är olika i den perifera och övergångszonen, behövs prostatasegmentering för alla datorstödda diagnossystem som syftar till att karakterisera prostataskador på magnetisk resonans (MR)-bilder. Manuell segmentering är tidskrävande och kan skilja sig åt mellan radiologer med olika expertis. Vi utvecklade och tränade en konvolutionell neural nätverksalgoritm för att segmentera hela prostatan, övergångszonen och det främre fibromuskulära stroma på T2-vägda bilder av 787 MRI från en befintlig prospektiv radiologisk patologisk korrelationsdatabas innehållande prostata MRI av patienter som behandlats med prostatektomi mellan 2008 och 2014 (CLARA-P databas).
Syftet med denna studie är att validera denna algoritm på en oberoende kohort av patienter.
Studieöversikt
Status
Betingelser
Studietyp
Inskrivning (Förväntat)
Kontakter och platser
Studieorter
-
-
-
Lyon, Frankrike, 69008
- Rekrytering
- Hôpital Edouard Herriot
-
Kontakt:
- Olivier ROUVIERE, Pr
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Prostata MRT som finns i PACS hos Hospices Civils de Lyon
- Utfördes 2016-2019
Exklusions kriterier:
- MRI från patienter som redan fått behandling för prostatacancer
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Retrospektiv
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Patienter med MRT på en 3 Tesla (T) enhet
Den totala valideringskohorten består av axiella T2-vägda bilder av prostatan erhållna från 31 prostata MRI på en 3T-enhet slumpmässigt vald bland prostata MRI som utfördes på Hospices Civils de Lyon 20162015-2019
|
Algoritmen används för att utföra en multizonsegmentering av prostatan inklusive avgränsning av: hela prostatakonturerna, övergångszonens konturer, den främre fibromuskulära stroman. Konturerna korrigeras oberoende av 2 radiologer. De korrigerade konturerna för de olika zonerna kommer att lagras och för varje zon kommer 6 olika mätvärden att användas för att utvärdera skillnaden mellan de initiala och korrigerade konturerna:
|
|
Patienter med MRT på en 1,5 Tesla-enhet
Den totala valideringskohorten består av axiella T2-vägda bilder av prostatan erhållna från 31 prostata MRI på en 1,5T enhet slumpmässigt vald bland prostata MRI som utfördes på Hospices Civils de Lyon 20162015-2019
|
Algoritmen används för att utföra en multizonsegmentering av prostatan inklusive avgränsning av: hela prostatakonturerna, övergångszonens konturer, den främre fibromuskulära stroman. Konturerna korrigeras oberoende av 2 radiologer. De korrigerade konturerna för de olika zonerna kommer att lagras och för varje zon kommer 6 olika mätvärden att användas för att utvärdera skillnaden mellan de initiala och korrigerade konturerna:
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Mean Mesh Distance (Mean) mellan konturerna av hela prostatan gjorda av algoritmen och de två radiologerna
Tidsram: Månad 11
|
Mean Mesh Distance motsvarar det genomsnittliga gränsavståndet (ABD) för varje punkt i referenssegmenteringen. Avståndet till den närmaste punkten i den jämförda segmenteringen beräknas först. Sedan beräknas medelvärdet av alla dessa avstånd och ger ABD. Det genomsnittliga nätavståndet mellan konturerna av hela prostatan som gjorts av algoritmen och varje radiolog kommer att användas som primärt resultatmått. |
Månad 11
|
Samarbetspartners och utredare
Sponsor
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Förväntat)
Avslutad studie (Förväntat)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- GOPI-Segmentation_2019
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .