开发基于深度学习的超声心动图图像质量管理系统
基于深度学习的超声心动图图像质量管理系统:单中心前瞻性研究
开发基于深度学习的超声心动图图像质量管理系统,实现客观准确的超声心动图图像质量自动控制。
前瞻性纳入南京大学医学院附属鼓楼医院超声医学科2000例行经胸超声心动图检查的患者。
采集了8个TTE切面切面数据,包括左心室胸骨旁长轴切面(PLAX_LV)、大血管水平胸骨旁短轴切面(PSAX_GV)、二尖瓣水平胸骨旁短轴切面切面(PSAX_MV)、乳头肌水平的胸骨旁短轴(PSAX_PM),心尖水平的胸骨旁短轴(PSAX_AP),心尖四腔(A4C),心尖三腔(A3C),心尖二腔(A2C)。
1500名患者的数据作为训练集,其余作为验证集。
这些视频数据被分类为相应的视图分段,并通过 Video Swin 转换模型进行分析。
然后,建立了结合关键帧提取、图像分割、视频目标识别和视频分类模型的不同视角分割评分模块。
同时,将自动超声心动图图像评估系统获得的分数与人工分数进行比较。
通过不断的修正和学习,最终建立起初级的自动评分系统。
最后,构建超声心动图图像自动评估系统,并对其余500例患者进行了评估。
研究概览
地位
招聘中
条件
详细说明
开发基于深度学习的超声心动图图像质量管理系统,实现客观准确的超声心动图图像质量自动控制。
前瞻性纳入南京大学医学院附属鼓楼医院超声医学科2000例行经胸超声心动图检查的患者。
纳入标准:具有标准化 TTE 视图分割的患者;排除标准:标准分割不完整的患者。
采集了8个TTE切面切面数据,包括左心室胸骨旁长轴切面(PLAX_LV)、大血管水平胸骨旁短轴切面(PSAX_GV)、二尖瓣水平胸骨旁短轴切面切面(PSAX_MV)、乳头肌水平的胸骨旁短轴(PSAX_PM),心尖水平的胸骨旁短轴(PSAX_AP),心尖四腔(A4C),心尖三腔(A3C),心尖二腔(A2C)。
1500名患者的数据作为训练集,其余作为验证集。
这些视频数据被分类为相应的视图分段,并通过 Video Swin 转换模型进行分析。
然后,建立了结合关键帧提取、图像分割、视频目标识别和视频分类模型的不同视角分割评分模块。
同时,将自动超声心动图图像评估系统获得的分数与人工分数进行比较。
通过不断的修正和学习,最终建立起初级的自动评分系统。
最后对其余500例患者进行了超声心动图图像质量管理系统的完善和完善。
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:Jing Yao, Phd
- 电话号码:+8618905188727
- 邮箱:w1835199709@163.com
学习地点
-
-
Jiangsu
-
Nanjing、Jiangsu、中国、210008
- 招聘中
- Affiliated Drum Tower Hospital of Nanjing University Medical School
-
接触:
- Jing Yao, Phd
- 电话号码:+18905188727
- 邮箱:w18351992709@163.com
-
-
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 及以上 (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
非概率样本
研究人群
具有标准化 TTE 视图的患者
描述
纳入标准:
- 年龄≥18岁,性别不限;
- 具有标准化 TTE 视图的患者;
- 受试者自愿参加研究并签署知情同意书;
排除标准:
- 标准 TTE 视图不完整的患者;
- 传声条件差的患者。
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
- 观测模型:其他
- 时间观点:预期
队列和干预
团体/队列 |
|---|
|
标准化视图组
该组患者的超声心动图图像是标准化的。
|
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 |
|---|---|---|
|
PSAX视图的分数
大体时间:12个月
|
超声心动图图像质量管理系统对PSAX视图的评分
|
12个月
|
|
根尖观评分
大体时间:12个月
|
超声心动图图像质量管理系统心尖观评分
|
12个月
|
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。
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Thiebaut R, Thiessard F; Section Editors for the IMIA Yearbook Section on Public Health and Epidemiology Informatics. Artificial Intelligence in Public Health and Epidemiology. Yearb Med Inform. 2018 Aug;27(1):207-210. doi: 10.1055/s-0038-1667082. Epub 2018 Aug 29.
- Sengupta PP, Shrestha S. Machine Learning for Data-Driven Discovery: The Rise and Relevance. JACC Cardiovasc Imaging. 2019 Apr;12(4):690-692. doi: 10.1016/j.jcmg.2018.06.030. Epub 2018 Dec 12. No abstract available.
- Ueda D, Shimazaki A, Miki Y. Technical and clinical overview of deep learning in radiology. Jpn J Radiol. 2019 Jan;37(1):15-33. doi: 10.1007/s11604-018-0795-3. Epub 2018 Dec 1.
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
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)
2022年12月30日
初级完成 (预期的)
2024年12月31日
研究完成 (预期的)
2025年12月31日
研究注册日期
首次提交
2022年11月21日
首先提交符合 QC 标准的
2022年11月21日
首次发布 (实际的)
2022年12月1日
研究记录更新
最后更新发布 (估计)
2023年2月23日
上次提交的符合 QC 标准的更新
2023年2月21日
最后验证
2022年9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.