免费获得国外相关药品，最快 1 个工作日回馈药物信息
出境医 / 临床实验 / 基于深度学习的DeNo deNORIS在库欣氏病中MRI的诊断产量
基于深度学习的DeNo deNORIS在库欣氏病中MRI的诊断产量
研究描述
简要摘要：
在产生ACTH产生MICOXENOMA的病例中，可能会发生负MRI发现负数。该研究的目的是评估使用基于深度学习的DENORISIS MRI可以增加产生ACTH的MICOXENOMAS的检测。
| 病情或疾病 | 干预/治疗 |
|---|---|
| 垂体ACTH分泌腺瘤 | 诊断测试：MRI |
详细说明：
检测在MRI中产生ACTH的MICOXENAMA在建立库欣疾病的诊断非常重要，并可能使患者避免其他诊断测试，例如下核窦采样。然而，检测MRI中产生MICOXENAMA的ACTH的诊断挑战仍然是其尺寸小，其中位直径为5毫米。为了提高检测ACTH产生MICOXENAMA的灵敏度，已经进行了许多尝试。与正常腺体的背景增强相比，进行动态对比度增强了T1加权图像，通常被视为标准临床实践，以划定延迟增强的MICRODENONOMA。尽管尝试了这些尝试，但在产生MICOXENOMAS的ACTH病例中，MRI发现可能会发生负数，并且有必要提高其检测率。从理论上讲，进行薄的切片厚度扫描应有助于检测病变，但不可避免地会伴随着噪声水平的增加。可以应用基于深度学习的基于deo的算法来降低噪声水平并可能增加产生ACTH的MICOXENOMAS的检测率。该研究的目的是评估使用基于深度学习的DENORISIS MRI可以增加产生ACTH的MICOXENOMAS的检测。
学习规划
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 64名参与者 |
| 观察模型： | 队列 |
| 时间观点： | 预期 |
| 官方标题： | 使用基于深度学习的DENOMI MRI的前瞻性观察性研究库欣病的诊断产量 |
| 实际学习开始日期 ： | 2020年1月10日 |
| 估计的初级完成日期 ： | 2021年2月 |
| 估计 学习完成日期 ： | 2021年2月 |
武器和干预措施
| 组/队列 | 干预/治疗 |
|---|---|
| Denoing MRI组 涉嫌经历深度学习的cush疾病的患者 | 诊断测试：MRI 1毫米切片厚度，具有深度学习的重建算法应用于以下序列：
|
结果措施
主要结果指标 ：
- ACTH产生MICOXENAMA的检测率[时间范围：2个月]阳性MRI的比例为可见的MICOXENAMA为百分比（％）
次要结果度量 ：
- 接受其他诊断测试的患者比例[时间范围：6个月]接受其他诊断测试的患者比例为百分比（％）
资格标准
| 有资格学习的年龄： | 18岁以上（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 采样方法： | 非概率样本 |
研究人群
三级医院中心的患者
标准
纳入标准：
- 怀疑患有MRI的库什疾病的患者
- 已签署的知情同意书
排除标准：
- 具有机械，电子或磁方法激活的任何类型的生物植物的患者（例如，人工耳蜗，起搏器，神经刺激剂，生物刺激，电子输液泵等），因为此类设备可能会取代或故障
- 怀孕或母乳喂养的患者；尿液妊娠试验将对具有儿童承受潜力的女性进行
- 由于工件而导致的MRI图像质量差
联系人和位置
联系人
| 联系人：Ho Sung Kim，医学博士 | +82 2 3010 5682 | radhskim@gmail.com | |
| 联系人：Minjae Kim，医学博士 | +82 2 3010 0187 | manzae.kim@gmail.com |
位置
| 韩国，共和国 | |
| 阿桑医疗中心 | 招募 |
| 首尔，韩国，共和国 | |
赞助商和合作者
阿桑医疗中心
调查人员
| 首席研究员： | Ho Sung Kim，医学博士 | 阿桑医疗中心 |
| 追踪信息 | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2019年10月8日 | ||||||||
| 第一个发布日期 | 2019年10月10日 | ||||||||
| 上次更新发布日期 | 2020年1月18日 | ||||||||
| 实际学习开始日期 | 2020年1月10日 | ||||||||
| 估计的初级完成日期 | 2021年2月（主要结果度量的最终数据收集日期） | ||||||||
| 当前的主要结果指标 | ACTH产生MICOXENAMA的检测率[时间范围：2个月] 阳性MRI的比例为可见的MICOXENAMA为百分比（％） | ||||||||
| 原始主要结果指标 | 与电流相同 | ||||||||
| 改变历史 | |||||||||
| 当前的次要结果指标 | 接受其他诊断测试的患者比例[时间范围：6个月] 接受其他诊断测试的患者比例为百分比（％） | ||||||||
| 原始的次要结果指标 | 与电流相同 | ||||||||
| 当前其他预先指定的结果指标 | 不提供 | ||||||||
| 原始其他预先指定的结果指标 | 不提供 | ||||||||
| 描述性信息 | |||||||||
| 简短标题 | 基于深度学习的DeNo deNORIS在库欣氏病中MRI的诊断产量 | ||||||||
| 官方头衔 | 使用基于深度学习的DENOMI MRI的前瞻性观察性研究库欣病的诊断产量 | ||||||||
| 简要摘要 | 在产生ACTH产生MICOXENOMA的病例中，可能会发生负MRI发现负数。该研究的目的是评估使用基于深度学习的DENORISIS MRI可以增加产生ACTH的MICOXENOMAS的检测。 | ||||||||
| 详细说明 | 检测在MRI中产生ACTH的MICOXENAMA在建立库欣疾病的诊断非常重要，并可能使患者避免其他诊断测试，例如下核窦采样。然而，检测MRI中产生MICOXENAMA的ACTH的诊断挑战仍然是其尺寸小，其中位直径为5毫米。为了提高检测ACTH产生MICOXENAMA的灵敏度，已经进行了许多尝试。与正常腺体的背景增强相比，进行动态对比度增强了T1加权图像，通常被视为标准临床实践，以划定延迟增强的MICRODENONOMA。尽管尝试了这些尝试，但在产生MICOXENOMAS的ACTH病例中，MRI发现可能会发生负数，并且有必要提高其检测率。从理论上讲，进行薄的切片厚度扫描应有助于检测病变，但不可避免地会伴随着噪声水平的增加。可以应用基于深度学习的基于deo的算法来降低噪声水平并可能增加产生ACTH的MICOXENOMAS的检测率。该研究的目的是评估使用基于深度学习的DENORISIS MRI可以增加产生ACTH的MICOXENOMAS的检测。 | ||||||||
| 研究类型 | 观察 | ||||||||
| 学习规划 | 观察模型：队列 时间观点：潜在 | ||||||||
| 目标随访时间 | 不提供 | ||||||||
| 生物测量 | 不提供 | ||||||||
| 采样方法 | 非概率样本 | ||||||||
| 研究人群 | 三级医院中心的患者 | ||||||||
| 健康）状况 | 垂体ACTH分泌腺瘤 | ||||||||
| 干涉 | 诊断测试：MRI 1毫米切片厚度，具有深度学习的重建算法应用于以下序列：
| ||||||||
| 研究组/队列 | Denoing MRI组 涉嫌经历深度学习的cush疾病的患者 干预：诊断测试：MRI | ||||||||
| 出版物 * |
| ||||||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||||||
| 招聘信息 | |||||||||
| 招聘状况 | 招募 | ||||||||
| 估计入学人数 | 64 | ||||||||
| 原始估计注册 | 与电流相同 | ||||||||
| 估计学习完成日期 | 2021年2月 | ||||||||
| 估计的初级完成日期 | 2021年2月（主要结果度量的最终数据收集日期） | ||||||||
| 资格标准 | 纳入标准：
排除标准：
| ||||||||
| 性别/性别 |
| ||||||||
| 年龄 | 18岁以上（成人，老年人） | ||||||||
| 接受健康的志愿者 | 不提供 | ||||||||
| 联系人 |
| ||||||||
| 列出的位置国家 | 韩国，共和国 | ||||||||
| 删除了位置国家 | |||||||||
| 管理信息 | |||||||||
| NCT编号 | NCT04121988 | ||||||||
| 其他研究ID编号 | Asanmchskim_04 | ||||||||
| 有数据监测委员会 | 不提供 | ||||||||
| 美国FDA调节的产品 |
| ||||||||
| IPD共享声明 |
| ||||||||
| 责任方 | Ho Sung Kim，阿桑医疗中心 | ||||||||
| 研究赞助商 | 阿桑医疗中心 | ||||||||
| 合作者 | 不提供 | ||||||||
| 调查人员 |
| ||||||||
| PRS帐户 | 阿桑医疗中心 | ||||||||
| 验证日期 | 2020年1月 | ||||||||
