Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Deep Learning Rekonstruktionsalgoritmer i Dual Low-dos CTA

16 april 2024 uppdaterad av: Hao Tang

Utvärdering av rekonstruktionsalgoritmer för djupinlärning i dubbel lågdos CT vaskulär avbildning

Målet med denna observationsstudie är att utvärdera effekten av bildrekonstruktion med djupinlärning på bildkvaliteten och diagnostiska prestanda för dubbel lågdos CTA. Huvudfrågan som den syftar till att besvara är att utforska genomförbarheten av djupinlärningsbildrekonstruktion i dubbel lågdos CTA.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

  1. Rådata från patienter som genomgick huvud- och hals-CTA, kranskärls-CTA och abdominal CTA i grupper med både standarddos och dubbel lågdos inkluderades.
  2. Tekniker som filtrerad tillbakaprojektion, iterativ rekonstruktion och djupinlärningsrekonstruktion utfördes.
  3. Genomförbarheten av rekonstruktion av djupinlärning i dubbel lågdos CTA utvärderades baserat på bildkvalitet och diagnostisk prestanda.

Studietyp

Observationell

Inskrivning (Beräknad)

1200

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studera Kontakt Backup

Studieorter

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430000
        • Rekrytering
        • Tongji Hospital affiliated to Tongji Medical College of Huazhong University of Science and Technology
        • Kontakt:

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

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Testmetod

Sannolikhetsprov

Studera befolkning

Friska eller sjuka vuxna som genomgår CT vaskulär avbildning

Beskrivning

Inklusionskriterier:

  • Patienter med huvud- och hals-CTA, kranskärls-CTA och abdominal CTA på grund av stroke, kranskärlssjukdom och bukinflammatorisk sjukdom och buktumörer.

Exklusions kriterier:

  • Ålder <18 år, graviditet, allergisk reaktion mot jodkontrastmedel, njurinsufficiens och svår hypertyreos.

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
Standarddosgrupp
Rådata från 400 patienter med konventionell dos CTA för huvud och hals, koronar CTA och abdominal CTA inkluderades. Filtrerad bakprojektion, iteration och rekonstruktion av djupinlärning utfördes. Att utvärdera effekten av rekonstruktion av djupinlärning på bildkvalitet och diagnostisk prestanda hos patienter med konventionell dos CTA.
Diagnostiskt test: Deep learning bildrekonstruktion
Deep learning bildrekonstruktion (DLIR) är en nyutvecklad artificiell intelligens brusreduceringsalgoritm under de senaste åren. Den tränar massiva högkvalitativa FBP-datauppsättningar för att lära sig att särskilja brus och signal, för att selektivt minska brus och rekonstruera högkvalitativa bilder med bilddata av låg kvalitet.
Dubbel lågdosgrupp
Rådata från 800 patienter med låg rörspänning och kontrastmedel för huvud och hals CTA, koronar CTA och abdominal CTA inkluderades. Filtrerad bakprojektion, iteration och rekonstruktion av djupinlärning utfördes. Att utvärdera effekten av rekonstruktion av djupinlärning på bildkvalitet och diagnostisk prestanda hos patienter med dubbel-lågdos CTA.
Diagnostiskt test: Deep learning bildrekonstruktion
Deep learning bildrekonstruktion (DLIR) är en nyutvecklad artificiell intelligens brusreduceringsalgoritm under de senaste åren. Den tränar massiva högkvalitativa FBP-datauppsättningar för att lära sig att särskilja brus och signal, för att selektivt minska brus och rekonstruera högkvalitativa bilder med bilddata av låg kvalitet.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Specificiteten och känsligheten beräknad genom det optimala gränsvärdet för mottagarens funktionskarakteristikkurva.
Tidsram: 2026.1
Specificiteten och känsligheten beräknades separat för standarddosgruppen och den dubbla lågdosgruppen med användning av det optimala gränsvärdet från mottagarens funktionskarakteristikkurva, i syfte att jämföra diagnostisk noggrannhet mellan de två grupperna.
2026.1

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Signal-brusförhållandet beräknat från bild-CT-värden och brus
Tidsram: 2026.1
Signal-brusförhållandet beräknades separat för standarddosgruppen och dubbel lågdosgruppen med hjälp av bild-CT-värden och brus, för att bedöma bildkvaliteten mellan de två grupperna.
2026.1

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Hao Tang

Utredare

  • Huvudutredare: Hao Tang, Doctor, Tongji 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 juni 2023

Primärt slutförande (Beräknad)

1 december 2025

Avslutad studie (Beräknad)

1 mars 2026

Studieregistreringsdatum

Först inskickad

11 april 2024

Först inskickad som uppfyllde QC-kriterierna

16 april 2024

Första postat (Faktisk)

18 april 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

18 april 2024

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

16 april 2024

Senast verifierad

1 april 2024

Mer information

Termer relaterade till denna studie

Andra studie-ID-nummer

  • 102122

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

För att skydda deltagarnas integritet delas relevanta uppgifter inte förrän deltagarnas samtycke

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 .

Prenumerera