Deep Learning of Anterior Talofibular Ligament: Comparison of Different Models
29 juni 2021 uppdaterad av: Peking University Third Hospital
The purpose of this study is to study the injury of the anterior talofibular ligament by deep learning method and compare a variety of different deep learning models to establish a deep learning method that can accurately identify and grade the injury of anterior talofibular ligament, and obtain a model with better recognition and grading effect.
Studieöversikt
Status
Rekrytering
Betingelser
Intervention / Behandling
Detaljerad beskrivning
- Recognition and segmentation of anterior talofibular ligament based on DenseNet. Densenet was used to recognize the axial T2-fs image, and the image level was the most typical one. The labelimg program based on Python was used to locate the coordinates of the anterior talofibular ligament and then imported into Python for learning. All the data were divided into a training set (70%, and then 30% of the training set was selected as the verification set). The remaining 30% was used as the test set to evaluate the accuracy of model recognition. After identifying the anterior talofibular ligament, the local clipping and amplification are carried out to remove the redundant information. Finally, input the result to the next step.
- Establishment and comparison of various deep learning models: four deep learning models were established and compared in this study, namely VGG19, AlexNet, CapsNet, and GoogleNet. The models using image fitting alone and those combining with clinical physical examination data were compared for each deep learning model. The diagnostic efficiency between models was expressed by the ROC curve, including AUC, F1 score, etc. the ROC curve was further analyzed by t-test, Delong test, and other statistical methods. In this study, the data were divided into a training set (70%, 30% in the training set as the validation set), and the remaining 30% as the test set to evaluate the classification accuracy.
Studietyp
Observationell
Inskrivning (Förväntat)
1000
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: huishu Yuan, MD
- Telefonnummer: 15810245738
- E-post: huishuy@bjmu.edu.cn
Studera Kontakt Backup
- Namn: Ming Ni, MD
- Telefonnummer: 13884794867
- E-post: sdyingxiang2017@163.com
Studieorter
-
-
Beijing
-
Beijing, Beijing, Kina, 010
- Rekrytering
- Peking University Third Hospital
-
Kontakt:
- Huishu Yuan, Dr
- E-post: huishuy@bjmu.edu.cn
-
-
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
Ja
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
From September 2018 to September 2020, patients underwent ankle MRI examination in the Department of Radiology, the Third Hospital of Peking University.
Beskrivning
Inclusion Criteria:
- Without any treatment before imaging examination;
- MR of ankle joint was performed within 3 months before operation and the image quality was good;
- Arthroscopic operation was performed in our hospital and the operation records were complete.
Exclusion Criteria:
- history of ankle surgery, history of cancer or previous fractures.
- Unclear image, serious artifact or incomplete clinical data.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Normal control group-Grade 0
Arthroscopic examination of the ankle joint was normal, and the ligament was intact without injury or tear.
|
The results of hip arthroscopy were taken as the gold standard, and MRI examination was taken as the research object
|
|
Ligament injury -Grade 1
Arthroscopic examination of the ankle joint showed ligament degeneration or injury, but no local or complete tear.
|
The results of hip arthroscopy were taken as the gold standard, and MRI examination was taken as the research object
|
|
Ligament tear-Grade 2
Arthroscopy of the ankle joint revealed partial or complete loss of ligaments.
|
The results of hip arthroscopy were taken as the gold standard, and MRI examination was taken as the research object
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Deep Learning of Anterior Talofibular Ligament: Comparison of Different Models
Tidsram: 2021.1-2022.3.1
|
The model of deep learning was obtained for diagnosis and grading of anterior fibular ligament and compared with the doctors of different grades.
|
2021.1-2022.3.1
|
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 januari 2021
Primärt slutförande (Förväntat)
30 december 2021
Avslutad studie (Förväntat)
30 mars 2022
Studieregistreringsdatum
Först inskickad
28 juni 2021
Först inskickad som uppfyllde QC-kriterierna
29 juni 2021
Första postat (Faktisk)
8 juli 2021
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
8 juli 2021
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
29 juni 2021
Senast verifierad
1 juni 2021
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- M2020460
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 .