- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05550012
En ny djupinlärningsbaserad artificiell intelligens iterativ rekonstruktion (AIIR) algoritm i lågdos lever-CT
18 september 2022 uppdaterad av: Qingshi Zeng, Qianfoshan Hospital
Utvärdering av en ny djupinlärningsbaserad artificiell intelligens iterativ rekonstruktionsalgoritm (AIIR) i olika förbättringsfaser av lågdos lever-CT
CT-förstärkta skanningar är rutinmässiga avbildningsmodaliteter för diagnos och uppföljning av leversjukdom.
Det innebär dock att patienterna får mer stråldos.
Därför är det nödvändigt att minska stråldosen som patienter får så mycket som möjligt.
Deep learning-baserade rekonstruktionsalgoritmer har introducerats för att förbättra bildkvaliteten nyligen.
Under många år har forskare försökt upprätthålla bildkvaliteten med en avancerad metod och samtidigt minska stråldosen.
Nyligen har en ny djupinlärningsbaserad iterativ rekonstruktionsalgoritm, nämligen artificiell intelligens iterativ rekonstruktion (AIIR, United Imaging Healthcare, Shanghai, Kina) introducerats.
I denna studie utvärderar vi bilden och diagnostiska egenskaperna hos AIIR för lågdos portalven och lever-CT med fördröjd fas med de för en KARL-metod som normalt används i standarddos-CT.
Studieöversikt
Detaljerad beskrivning
På vårt sjukhus genomgår patienter med bukbäckencancer uppföljning av lågdos-CT för utvärdering av behandlingsplan efter klinisk behandling eller sjukdomsframsteg.
Rådata från lågdos-CT samlades in retrospektivt och rekonstruerades med hjälp av KARL- och AIIR-algoritmer.
I denna studie utvärderar vi bilden och diagnostiska egenskaperna hos AIIR för lågdos portalven och lever-CT med fördröjd fas med de för en KARL-metod som normalt används i standarddos-CT.
Studietyp
Interventionell
Inskrivning (Förväntat)
100
Fas
- Inte tillämpbar
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Qingshi Zeng
- Telefonnummer: 18560081565
- E-post: zengqs2021@163.com
Studieorter
-
-
Shandong
-
Jinan, Shandong, Kina
- Qianfoshan Hospital (The First Affiliated Hospital of Shandong First Medical University)
-
Kontakt:
- Qingshi Zeng
- E-post: zengqs2021@163.com
-
-
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
Beskrivning
Inklusionskriterier:
- de schemalagda för kontrastförstärkt lever-CT
Exklusions kriterier:
- bilder påverkade av artefakter (rörelse eller implantat)
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Övrig
- Tilldelning: Randomiserad
- Interventionsmodell: Parallellt uppdrag
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
---|---|
Inget ingripande: standarddos CT
dessa patienter genomgår lever-CT med standarddos i portvenen och fördröjd fas
|
|
Experimentell: lågdos CT
dessa patienter genomgår lågdos lever-CT i portvenen och fördröjd fas
|
dessa patienter genomgår lågdos lever-CT i portvenen och fördröjd fas.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
signal-brusförhållande (SNR)
Tidsram: 6 månader
|
Utvärdera bildkvaliteterna för AIIR för lågdos portalven och lever-CT med fördröjd fas med de för en KARL-metod som normalt används i standarddos-CT
|
6 månader
|
kontrast till brusförhållande (CNR)
Tidsram: 6 månader
|
Utvärdera bildkvaliteterna för AIIR för lågdos portalven och lever-CT med fördröjd fas med de för en KARL-metod som normalt används i standarddos-CT
|
6 månader
|
diagnostiskt förtroende
Tidsram: 6 månader
|
Utvärdera de diagnostiska egenskaperna hos AIIR för lågdos portalven och lever-CT med fördröjd fas med de hos en KARL-metod som normalt används i standarddos-CT
|
6 månader
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Studierektor: Qingshi Zeng, Qianfoshan 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 (Förväntat)
30 september 2022
Primärt slutförande (Förväntat)
30 mars 2023
Avslutad studie (Förväntat)
30 april 2023
Studieregistreringsdatum
Först inskickad
14 september 2022
Först inskickad som uppfyllde QC-kriterierna
18 september 2022
Första postat (Faktisk)
22 september 2022
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
22 september 2022
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
18 september 2022
Senast verifierad
1 september 2022
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- LD-SH-2022
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 .
Kliniska prövningar på Djup lärning
-
RenJi HospitalHar inte rekryterat ännuTillämpning av artificiell intelligens djupinlärningsteknik i magnetisk resonans ländryggsavbildningDeep Learning, Lumbal Magnetic Resonance Imaging
-
Hai LvHar inte rekryterat ännuFasettfogar; Degeneration ; Deep Learning; Artificiell intelligens
-
Tianjin Eye HospitalRekryteringDeep Learning, hornhinnesjukdom, screeningKina
-
Centre Hospitalier Universitaire, AmiensOkändNjurkolik | Urolithiasis | Urinvägsstenar | Deep Learning RekonstruktionFrankrike
-
Cohera Medical, Inc.AvslutadDeep Inferior Epigastrisk Perforator Flap Rekonstruktion
-
Peter BiroAvslutadUnderhåll av Deep NM Block utan överdoseringSchweiz
-
University of MichiganIndragenBröstrekonstruktion | Deep Inferior epigastrisk perforator | Mikrovaskulär fri fliköverföringFörenta staterna
-
Asociación para Evitar la Ceguera en MéxicoAvslutadAxial längd (AL) | Anterior Chamber Deep (ACD) | Linstjocklek (LT)Mexiko
-
Al-Azhar UniversityRekryteringDeep Carious Young 1:a Permanent Molar Med öppen ApexEgypten
-
HITEC-Institute of Medical SciencesAvslutadOSSE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Lära ut kliniska färdigheter till medicinska studenterPakistan
Kliniska prövningar på lågdos CT
-
Sheba Medical CenterAnmälan via inbjudan
-
Sang-Won UmHar inte rekryterat ännu
-
University Hospital, GenevaAvslutadLunginflammationSchweiz
-
Oncology Teaching Hospital, BaghdadAnmälan via inbjudan
-
The University of QueenslandAktiv, inte rekryterandeNeoplasmer | Luftvägssjukdomar | Lungsjukdomar | Neoplasmer efter plats | Lungneoplasmer | Neoplasmer i andningsvägarna | Thoracic neoplasmer | Icke-småcellig lungcancer | Rökare i riskzonen för lungcancerAustralien, Kanada
-
University Health Network, TorontoAvslutad
-
University Health Network, TorontoAvslutad
-
University of California, San DiegoAvslutadNeoplasmerFörenta staterna
-
Fondazione IRCCS Istituto Nazionale dei Tumori,...Ministry of Health, Italy; Associazione Italiana per la Ricerca sul CancroAvslutad