- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05901857
Bedömning av precisionen i konvolutionella neurala nätverk för dental åldersuppskattning från panoramaröntgenbilder
Att bedöma precisionen hos konvolutionella neurala nätverk för dental åldersuppskattning i en egyptisk befolkning från digitala panoramaröntgenbilder: en studie med diagnostisk noggrannhet
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Willems metod är en teknik för dental åldersuppskattning som modifierats från Demirjian-metoden genom att skapa nya tabeller från vilka en mognadspoäng direkt uttrycks i år.
Panoramaröntgenbilder av alla deltagare kommer att tas med deras informerade samtycke, sedan kommer de att numreras och kodas. Kronologisk ålder för varje deltagare kommer att beräknas genom att subtrahera födelsedatum från datum för röntgenbilden och den verkliga åldern kommer att förblindas från forskaren (Den kronologiska åldern är grundsanningen). Alla panoramaröntgenbilder kommer att undersökas två gånger av huvudförfattaren för att fastställa tandåldern enligt Willems metod.
De sju vänstra underkäktänderna, exklusive den tredje molaren, kommer att betygsättas som '0' för frånvaro av förkalkning och 'A' till 'H', beroende på förkalkningsstadiet. Varje bokstav motsvarar en poäng som är andelen dentala ålder med hjälp av tabeller för pojkar och flickor. Att summera poängen för de sju vänstra underkäkständerna direkt kommer att resultera i den beräknade tandåldern. Dentala radiologens uppskattningsnoggrannhet kommer att jämföras med grundsanningen (första indextestet).
Det andra indextestet som också kommer att jämföras med grundsanningen är CNN-modellen. För att förbereda datamängden för CNN-modellen kommer en rigorös förbehandlingsprocedur att följas. Detta kommer att involvera storleksändring av bilderna till önskade dimensioner, segmentering av tanddelarna som ska inkluderas i bilden och tillämpning av dataförstärkningstekniker för att förbättra kvaliteten och kvantiteten på datasetet. Datauppsättningen kommer sedan att delas upp i tränings- och testuppsättningar med ett förhållande på 20:80, som kommer att väljas noggrant baserat på det förväntade antalet prover. Även modellens noggrannhet kommer att bedömas jämfört med grundsanningen (de kronologiska åldrarna).
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Rawan Elkassas
- Telefonnummer: +201011385738
- E-post: rawanelkassas@gmail.com
Studieorter
-
-
-
Cairo, Egypten
- Rekrytering
- Rawan Elkassas
-
Kontakt:
- rawan elkassas
- E-post: rawan.elkassas@dentistry.cu.edu.eg
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Förekomst av alla kvarkäken kvarvarande permanenta tänder (utom tredje molarer)
- Tydligt synlig rotutveckling
- Ingen systemisk sjukdom
- Ingen historia av rotbehandling eller extraktion
- Inga relaterade sjukdomar som påverkar utvecklingen av underkäken såsom cystor eller tumörer.
Exklusions kriterier:
- Patienter med för tidig födsel
- Ansiktsasymmetri
- Medfödda anomalier
- Historik av trauma eller operation i dentofacial regionen
Studieplan
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Noggrannhet av dental åldersuppskattning från digitala panoramaröntgenbilder med CNN-modeller
Tidsram: Genom avslutad studie, i snitt 1 år
|
Procentsats
|
Genom avslutad studie, i snitt 1 år
|
Samarbetspartners och utredare
Sponsor
Utredare
- Studiestol: Mohab Eid, Nile University
Publikationer och användbara länkar
Allmänna publikationer
- Ekert T, Krois J, Meinhold L, Elhennawy K, Emara R, Golla T, Schwendicke F. Deep Learning for the Radiographic Detection of Apical Lesions. J Endod. 2019 Jul;45(7):917-922.e5. doi: 10.1016/j.joen.2019.03.016. Epub 2019 Jun 1.
- Banar N, Bertels J, Laurent F, Boedi RM, De Tobel J, Thevissen P, Vandermeulen D. Towards fully automated third molar development staging in panoramic radiographs. Int J Legal Med. 2020 Sep;134(5):1831-1841. doi: 10.1007/s00414-020-02283-3. Epub 2020 Apr 1.
- El-Desouky SS, Kabbash IA. Age estimation of children based on open apex measurement in the developing permanent dentition: an Egyptian formula. Clin Oral Investig. 2023 Apr;27(4):1529-1539. doi: 10.1007/s00784-022-04773-7. Epub 2022 Nov 17.
- Galibourg A, Cussat-Blanc S, Dumoncel J, Telmon N, Monsarrat P, Maret D. Comparison of different machine learning approaches to predict dental age using Demirjian's staging approach. Int J Legal Med. 2021 Mar;135(2):665-675. doi: 10.1007/s00414-020-02489-5. Epub 2021 Jan 7.
- Guo YC, Han M, Chi Y, Long H, Zhang D, Yang J, Yang Y, Chen T, Du S. Accurate age classification using manual method and deep convolutional neural network based on orthopantomogram images. Int J Legal Med. 2021 Jul;135(4):1589-1597. doi: 10.1007/s00414-021-02542-x. Epub 2021 Mar 4.
- Kim S, Lee YH, Noh YK, Park FC, Auh QS. Age-group determination of living individuals using first molar images based on artificial intelligence. Sci Rep. 2021 Jan 13;11(1):1073. doi: 10.1038/s41598-020-80182-8. Erratum In: Sci Rep. 2022 Feb 7;12(1):2332.
- Sehrawat JS, Singh M. Willems method of dental age estimation in children: A systematic review and meta-analysis. J Forensic Leg Med. 2017 Nov;52:122-129. doi: 10.1016/j.jflm.2017.08.017. Epub 2017 Aug 25.
- Shen S, Liu Z, Wang J, Fan L, Ji F, Tao J. Machine learning assisted Cameriere method for dental age estimation. BMC Oral Health. 2021 Dec 15;21(1):641. doi: 10.1186/s12903-021-01996-0.
- Vila-Blanco N, Carreira MJ, Varas-Quintana P, Balsa-Castro C, Tomas I. Deep Neural Networks for Chronological Age Estimation From OPG Images. IEEE Trans Med Imaging. 2020 Jul;39(7):2374-2384. doi: 10.1109/TMI.2020.2968765. Epub 2020 Jan 31.
- Ye X, Jiang F, Sheng X, Huang H, Shen X. Dental age assessment in 7-14-year-old Chinese children: comparison of Demirjian and Willems methods. Forensic Sci Int. 2014 Nov;244:36-41. doi: 10.1016/j.forsciint.2014.07.027. Epub 2014 Aug 19.
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
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
Andra studie-ID-nummer
- ORAD 3-3-1 (2)
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .