Forskning om Acetabular Labrum Injury Based on MR: Multi-angle Deep Learning Model
29 juni 2021 uppdaterad av: Peking University Third Hospital
Syftet med denna studie är att studera MRI-bilder av acetabulär labrumskada genom djupinlärningsmetod, och försöka etablera en kombinationsmodell av axiella och koronala seriebilder, och jämföra med radiologernas diagnostiska noggrannhet, för att etablera en djupinlärningsmetod för noggrann identifiering och klassificering av acetabulär labrumskada.
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Detaljerad beskrivning
- Detektering av höftledslabrumbilder baserade på CNN: axiella och koronala T2-fs-bilder användes, och alla bilder korrigerades och standardiserades. CNN används för att känna igen och lära sig bilderna med acetabular labrum för att välja bilder med acetabular labrum struktur från hela sekvensen och radera bilderna utan acetabulär labrum struktur. Alla data är uppdelade i en träningsuppsättning (70 %, 30 % i träningsuppsättning som verifieringsuppsättning), och de återstående 30 % som en testuppsättning för att utvärdera noggrannheten av modelligenkänning. Ange de erhållna resultaten i nästa steg.
- Igenkänning och segmentering av höftledslabrum baserat på Densenet: använda Densenet för att känna igen och lära sig höftledslabbrum från de valda bilderna. LabelImg användes för att lokalisera de acetabulära labrumkoordinaterna manuellt och sedan mata in dem i Python för igenkänningsinlärning. All data delades upp i en träningsuppsättning (70 %, och sedan valdes 30 % i träningsuppsättningen som verifieringsuppsättning), och de återstående 30 % användes som testuppsättning för att utvärdera noggrannheten av modelligenkänning. Efter identifiering av labrumstrukturen skärs labrumstrukturen lokalt och förstoras för att ta bort den överflödiga informationen. Mata slutligen in resultatet till nästa steg.
- Identifiering och gradering av acetabulär labrumskada baserat på 3D-CNN: indata identifierades och graderades av 3D-CNN-modellen. 3D-CNN är uppdelad i åtta skikt: ingångsskikt, hårt trådskikt H1, faltningsskikt C2, nedsamplingsskikt S3, faltningsskikt C4, nedsamplingsskikt S5, faltningsskikt C6 och utgångsskikt. 3D-CNN konstruerar en kub genom att stapla flera på varandra följande ramar och använder sedan en 3D-faltningskärna i kuben. Genom denna struktur kommer särdragsbilderna i faltningsskiktet att kopplas samman med flera intilliggande ramar i det föregående skiktet för att realisera informationsinhämtningen av kontinuerliga bilder. På liknande sätt delades data upp i en träningsuppsättning (70 %, och sedan valdes 30 % av träningsuppsättningen som verifieringsuppsättning), och de återstående 30 % användes som testuppsättning för att utvärdera klassificeringsnoggrannheten för att identifiera skadan av labrum och klassificera fallen med skada.
- Kombinationsmodell: enligt ovanstående process (1-3), efter att modellerna har upprättats för de axiella respektive koronala bilderna, enligt utdataegenskaperna för CNN-klassificeringsmodellen, förutsägs sannolikheterna för olika kvaliteter innan utdataresultaten, och utdataresultaten baseras på dessa sannolikheter för att välja uttrycksformen för den maximala möjliga sannolikheten. Vår kombinationsmodell gör ett medelvärde av sannolikheterna för dessa olika klassificeringar, beräknar den slutliga förutsägelsesannolikheten och erhåller sedan den slutliga modellen. Testuppsättningen i det tredje steget (inklusive blandade data för axiella och koronala bilder) användes för att verifiera modellen.
- Jämförelse av radiologer och djupinlärning: Lista testset fall i steg 3 ovan och be två MSK professionella radiologer att klassificera om det finns skada och graden av skada, och jämför med resultaten med artificiell diagnos (båda läkarna läser bilderna var för sig och erhöll diagnosresultaten genom att simulera det normala tillståndet för att skriva rapporten utan någon uppmaning). Slutligen jämfördes noggrannheten för artificiell diagnos med den för kombinationsmodellen som erhölls i det fjärde steget.
Studietyp
Observationell
Inskrivning (Faktisk)
1261
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
Beijing
-
Beijing, Beijing, Kina, 010
- Peking University Third Hospital
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Nej
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Från september 2018 till september 2020 utfördes MRT på avdelningen för radiologi, det tredje sjukhuset vid Pekings universitet.
Beskrivning
Inklusionskriterier:
- Utan någon behandling före bildundersökning;
- MR av höftleden gjordes inom tre månader före operationen och bildkvaliteten var god;
- Artroskopisk operation utfördes på vårt sjukhus och operationsjournalerna var kompletta.
Exklusions kriterier:
- Historik av höftoperationer, tumör eller tidigare fraktur;
- Otydlig bild, allvarlig artefakt eller ofullständiga kliniska data.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Case-Control
- Tidsperspektiv: Retrospektiv
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Normal kontrollgrupp-Grad 0
Artroskopisk undersökning av höften var normal och labrum var intakt utan skada eller revor.
|
Resultaten av höftledsartroskopi togs som guldstandard och MRT-undersökning togs som forskningsobjekt.
|
|
Ligamentskada -Grad 1
Artroskopisk undersökning av höften visade labrum degeneration eller skada, men ingen lokal eller fullständig reva.
|
Resultaten av höftledsartroskopi togs som guldstandard och MRT-undersökning togs som forskningsobjekt.
|
|
Ligamentavrivning-Grad 2
Artroskopi av höften avslöjade partiell eller fullständig förlust av labrum.
|
Resultaten av höftledsartroskopi togs som guldstandard och MRT-undersökning togs som forskningsobjekt.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Forskning om acetabulär labrum skada baserad på MR: multi-angle deep learning model
Tidsram: 2020.12.01-2021.05.30
|
Modellen för djupinlärning erhölls för diagnos och gradering av labrumskada och jämfördes med läkarna i olika stadier.
|
2020.12.01-2021.05.30
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Studiestol: huishu Yuan, MD, Peking University Third Hospital
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
1 december 2020
Primärt slutförande (Faktisk)
30 april 2021
Avslutad studie (Faktisk)
30 maj 2021
Studieregistreringsdatum
Först inskickad
29 juni 2021
Först inskickad som uppfyllde QC-kriterierna
29 juni 2021
Första postat (Faktisk)
2 juli 2021
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
2 juli 2021
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
29 juni 2021
Senast verifierad
1 juni 2021
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- M2020459
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Nej
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
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 .