一种治疗视网膜疾病的新技术
基于深度学习的视网膜疾病智能诊断与病灶自动追踪精准治疗研究
随着精准医疗时代的到来，基于FFA图像深度学习识别眼底病变区域，配准眼底图像，根据眼底疾病严重程度设计最优激光能量和路径，精准治疗眼底疾病具有迫切的临床需求和非常重要的意义
研究概览
地位
招聘中
条件
详细说明
- 结构化DR图像数据库构建与精准标注：回顾性（2016年1月1日至伦理审查日）和前瞻性（伦理审查日至2023年12月31日）收集的FFA等多模态图像数据。 多位眼科医生和资深眼底疾病专家对每位患者的每张图像进行诊断评估，完成数据的精准分级诊断，最终逐步建立结构化的Dr数据库。 本文利用计算机视觉理论对FFA图像质量畸变进行量化，引导计算机自适应配置现有的图像增强和降噪算法，完成眼底图像数据的预处理。
- 构建基于眼底影像的Dr智能分级诊断系统：首先以眼底影像作为眼底数据训练数据库，根据国际临床Dr分级诊断标准，多位医生对眼底影像进行精准标注。 国际临床Dr分级标准：0级，视网膜无明显异常； 1级，只有微血管瘤； 2 级，比微血管瘤严重，但比严重程度低； 3级，4个象限，每个象限20个以上视网膜出血，2个以上象限有明显静脉珠，1个以上象限有明显Irma，无增殖性视网膜病变征象； 4 级，新生血管形成，玻璃体积血，视网膜前出血。 在Dr分级智能诊断标准的基础上，构建卷积神经网络对眼底图像进行训练分级。 在对眼底图像训练集中的每张图像重复多次此过程后，深度学习系统学习如何对训练集中的所有数据进行分类，以准确诊断眼底图像。
- FFA图像焦点区域的卷积神经网络构建：深度学习的卷积神经网络由数百万个参数组成，用于训练和执行给定的任务。 每次线性卷积运算产生的输出通过非线性激活函数进行正则化，结合池化层和全连接层的降维，使得深度神经网络的优化过程不仅克服了梯度弥散，还有助于生成特征类似于人类神经细胞对视觉信号的分级感知机制。 FFA图像用作眼底数据训练数据库。 在准确标注病灶区域（无灌注区、微血管瘤区、渗漏区）的基础上，需要对FFA图像进行处理，实现病灶区域的智能识别。 在训练过程中，神经网络的参数初始设置为随机值。 然后，对于每幅图像，将函数给出的结果与训练集的已知结果进行比较，以优化函数的参数。 在对训练数据集中的每张图像重复此过程多次后，深度学习系统学会了如何对训练集中的所有数据进行分类，以准确预测 FFA 图像上的 Dr 病变。
- 基于FFA图像和眼底图像配准构建智能眼底激光导航模型：Dr病灶智能识别系统在上述FFA图像上准确识别需要眼底激光治疗的区域，帮助医生确定需要治疗的病灶，并根据在机器学习的图像匹配上，提供眼底图像和FFA组合的配准图像，根据病变区域的位置和大小信息设置，根据匹配的视网膜直径和不同激光光斑的排列，个性化激光制定治疗方案，构建智能眼底激光治疗指导模型。
研究类型
观察性的
注册 (预期的)
2000
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：Jin Kai, MD
- 电话号码：13646828461
- 邮箱：jinkai@zju.edu.cn
学习地点
-
-
Zhejiang
-
Hanzhou、Zhejiang、中国
- 招聘中
- The Second Affiliated Hospital of Zhejiang University
-
接触：
- Jin Kai, MD
- 电话号码：13646828461
-
-
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
- 孩子
- 成人
- 年长者
接受健康志愿者
是的
有资格学习的性别
全部
取样方法
概率样本
研究人群
患者在浙江大学附属第二医院眼科中心接受视网膜检查
描述
纳入标准：
- 视网膜疾病患者
排除标准：
- 患有其他疾病的患者影响视网膜检查
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 |
|---|
|
患者
视网膜疾病患者
|
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 |
|---|---|---|
|
人工智能
大体时间：2016.01-2023.12
|
使用数据开发深度学习模型
|
2016.01-2023.12
|
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：Jin Kai, MD、Zhejiang University
- 首席研究员：Xu Yufeng, MD、Zhejiang University
- 首席研究员：Lou Lixia, MD、Zhejiang University
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)
2016年1月1日
初级完成 (预期的)
2023年1月1日
研究完成 (预期的)
2023年12月31日
研究注册日期
首次提交
2021年1月18日
首先提交符合 QC 标准的
2021年1月18日
首次发布 (实际的)
2021年1月22日
研究记录更新
最后更新发布 (实际的)
2021年1月22日
上次提交的符合 QC 标准的更新
2021年1月18日
最后验证
2021年1月1日
更多信息
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.