免费获得国外相关药品，最快 1 个工作日回馈药物信息
前列腺分割的深度学习（GOPI-SEGM）
由于前列腺癌的诊断标准在外围和过渡区是不同的，因此旨在表征磁共振（MR）图像前列腺病变的任何计算机辅助诊断系统都需要前列腺分割。手动细分很耗时，并且具有不同专业知识的放射科医生之间可能有所不同。我们开发并培训了一种卷积神经网络算法，用于分割整个前列腺，过渡区和前纤维肌肉肌肉基质，从787 MRI的T2加权图像上，从现有的前瞻性放射性病理学相关数据库中，这些数据库含有2008年和前列腺剪切术治疗的患者的前列腺MRI， 2014（Clara-P数据库）。
这项研究的目的是在独立的患者队列上验证该算法。
| 病情或疾病 | 干预/治疗 |
|---|---|
| 前列腺癌 | 其他：使用自动深度学习算法获得的前列腺多区域细分和两名专家放射科医生 |
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 62名参与者 |
| 观察模型： | 队列 |
| 时间观点： | 回顾 |
| 官方标题： | 使用基于深度学习的方法对MR图像进行多区计算机辅助前列腺分割 |
| 实际学习开始日期 ： | 2019年2月1日 |
| 估计的初级完成日期 ： | 2020年1月 |
| 估计 学习完成日期 ： | 2020年6月 |
| 组/队列 | 干预/治疗 |
|---|---|
| 3特斯拉（T）单位的MRI患者 总验证队列由从31个前列腺MRI获得的前列腺的T2加权图像组成 | 其他：使用自动深度学习算法获得的前列腺多区域细分和两名专家放射科医生 该算法用于执行前列腺的多ZONE分割，包括：整个前列腺轮廓，过渡区轮廓，前纤维肌间基质。 这些轮廓由2位放射科医生独立校正。将存储不同区域的校正轮廓，对于每个区域6，将使用不同的指标来评估初始轮廓和校正轮廓之间的差异：
|
| 1.5特斯拉单元的MRI患者 总验证队列由从31位前列腺MRI获得的前列腺的T2加权图像组成 | 其他：使用自动深度学习算法获得的前列腺多区域细分和两名专家放射科医生 该算法用于执行前列腺的多ZONE分割，包括：整个前列腺轮廓，过渡区轮廓，前纤维肌间基质。 这些轮廓由2位放射科医生独立校正。将存储不同区域的校正轮廓，对于每个区域6，将使用不同的指标来评估初始轮廓和校正轮廓之间的差异：
|
- 算法和两个放射科医生制作的整个前列腺轮廓之间的平均网格距离（平均）[时间范围：11个月]
平均网格距离对应于参考分割的每个点的平均边界距离（ABD）。首先计算到比较分割最接近点的距离。然后，计算所有这些距离的平均值并给出ABD。
算法和每个放射科医生制造的整个前列腺轮廓之间的平均网格距离将被用作主要结果度量。
| 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： | 男性 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
纳入标准：
- Lyon的医院民用PAC中包含的前列腺MRI
- 在2016 - 2019年进行
排除标准：
- 来自已经接受过前列腺癌治疗的患者的MRI
| 联系人：Olivier Rouviere，PR | 472 11 61 67 ext +33 | olivier.rouviere@chu-lyon.fr |
| 法国 | |
| HôpitalEdouard Herriot | 招募 |
| 法国里昂，69008 | |
| 联系人：Olivier Rouviere，PR | |
| 追踪信息 | |||||
|---|---|---|---|---|---|
| 首先提交日期 | 2019年12月6日 | ||||
| 第一个发布日期 | 2019年12月10日 | ||||
| 上次更新发布日期 | 2019年12月10日 | ||||
| 实际学习开始日期 | 2019年2月1日 | ||||
| 估计的初级完成日期 | 2020年1月（主要结果指标的最终数据收集日期） | ||||
| 当前的主要结果指标 | 算法和两个放射科医生制作的整个前列腺轮廓之间的平均网格距离（平均）[时间范围：11个月] 平均网格距离对应于参考分割的每个点的平均边界距离（ABD）。首先计算到比较分割最接近点的距离。然后，计算所有这些距离的平均值并给出ABD。算法和每个放射科医生制造的整个前列腺轮廓之间的平均网格距离将被用作主要结果度量。 | ||||
| 原始主要结果指标 | 与电流相同 | ||||
| 改变历史 | 没有发布更改 | ||||
| 当前的次要结果指标 | 不提供 | ||||
| 原始的次要结果指标 | 不提供 | ||||
| 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 | 深度学习前列腺细分 | ||||
| 官方头衔 | 使用基于深度学习的方法对MR图像进行多区计算机辅助前列腺分割 | ||||
| 简要摘要 | 由于前列腺癌的诊断标准在外围和过渡区是不同的，因此旨在表征磁共振（MR）图像前列腺病变的任何计算机辅助诊断系统都需要前列腺分割。手动细分很耗时，并且具有不同专业知识的放射科医生之间可能有所不同。我们开发并培训了一种卷积神经网络算法，用于分割整个前列腺，过渡区和前纤维肌肉肌肉基质，从787 MRI的T2加权图像上，从现有的前瞻性放射性病理学相关数据库中，这些数据库含有2008年和前列腺剪切术治疗的患者的前列腺MRI， 2014（Clara-P数据库）。 这项研究的目的是在独立的患者队列上验证该算法。 | ||||
| 详细说明 | 不提供 | ||||
| 研究类型 | 观察 | ||||
| 学习规划 | 观察模型：队列 时间观点：回顾 | ||||
| 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 | 在2016年至2019年之间进行的考试中，Lyon的档案归档和通信系统（PAC）的随机选择 | ||||
| 健康）状况 | 前列腺癌 | ||||
| 干涉 | 其他：使用自动深度学习算法获得的前列腺多区域细分和两名专家放射科医生 该算法用于执行前列腺的多ZONE分割，包括：整个前列腺轮廓，过渡区轮廓，前纤维肌间基质。 这些轮廓由2位放射科医生独立校正。将存储不同区域的校正轮廓，对于每个区域6，将使用不同的指标来评估初始轮廓和校正轮廓之间的差异：
| ||||
| 研究组/队列 |
| ||||
| 出版物 * | 不提供 | ||||
*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 | 62 | ||||
| 原始估计注册 | 与电流相同 | ||||
| 估计学习完成日期 | 2020年6月 | ||||
| 估计的初级完成日期 | 2020年1月（主要结果指标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 | ||||
| 联系人 |
| ||||
| 列出的位置国家 | 法国 | ||||
| 删除了位置国家 | |||||
| 管理信息 | |||||
| NCT编号 | NCT04191980 | ||||
| 其他研究ID编号 | GOPI细分_2019 | ||||
| 有数据监测委员会 | 不提供 | ||||
| 美国FDA调节的产品 | 不提供 | ||||
| IPD共享声明 | 不提供 | ||||
| 责任方 | 里昂的临终关怀 | ||||
| 研究赞助商 | 里昂的临终关怀 | ||||
| 合作者 | 不提供 | ||||
| 调查人员 | 不提供 | ||||
| PRS帐户 | 里昂的临终关怀 | ||||
| 验证日期 | 2019年12月 | ||||
