基于深度学习的脊柱 CT 分类 (DETECT)
2020年5月10日 更新者：Shisheng He, MD、Shanghai 10th People's Hospital
脊柱外科医生或放射科医生对脊柱 CT 进行手动分类非常耗时，这也可能与高观察者间差异相关。
随着计算机科学的发展，深度学习已成为一种很有前途的技术，可以将图像从个体级别分类到像素级别。
该研究的主要目的是通过深度学习自动识别和分类脊柱CT上的病变或分割目标结构。
研究概览
详细说明
计算机断层扫描（CT）是辅助脊柱疾病诊断和治疗的最重要的成像工具之一。
具体目标的分类（例如
个体、病变等）是医学图像分析最常见的任务之一。
然而，脊柱外科医生或放射科医生对脊柱 CT 进行手动分类非常耗时，这也可能与高观察者间差异相关。
随着计算机科学的发展，深度学习已成为一种很有前途的技术，可以将图像从个体级别分类到像素级别。
该研究的主要目的是通过深度学习自动识别和分类脊柱CT上的病变或分割目标结构。
研究类型
观察性的
注册 (预期的)
500
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Guoxin Fan
- 电话号码：008602166307580
- 邮箱：gfan@tongji.edu.cn
学习地点
-
-
Shanghai
-
Shanghai、Shanghai、中国、200072
- 招聘中
- Shanghai Tenth People's Hospital
-
接触：
- Guoxin Fan
- 邮箱：1610707@tongji.edu.cn
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
18年 至 65年 (成人、年长者)
接受健康志愿者
不
有资格学习的性别
全部
取样方法
非概率样本
研究人群
将包括具有覆盖目标水平的薄层脊柱 CT 的患者。
描述
纳入标准：
- 脊柱薄层CT
排除标准：
- 勋章或其他植入物诱发伪影
- 图像质量差
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
薄层CT
薄层 CT 将被人工标记并用于训练、验证和测试深度学习算法。
|
人工标注的样本将用于训练、验证和测试深度学习算法，进而实现自动分类。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
分类准确率
大体时间：1天
|
分类准确率（例如
曲线下面积等）
|
1天
|
|
分割精度
大体时间：1天
|
多个结构的分割精度（例如
骰子得分等）
|
1天
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Shisheng He, M.D.、Shanghai 10th People's Hospital
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2019年2月22日
初级完成 (预期的)
2020年5月1日
研究完成 (预期的)
2020年5月1日
研究注册日期
首次提交
2018年11月16日
首先提交符合 QC 标准的
2018年12月29日
首次发布 (实际的)
2019年1月2日
研究记录更新
最后更新发布 (实际的)
2020年5月12日
上次提交的符合 QC 标准的更新
2020年5月10日
最后验证
2020年5月1日
更多信息
与本研究相关的术语
其他研究编号
- SHSY180624
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
未定
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.