4006-776-356 出国就医服务电话

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 / 使用18F-FDG-PET成像的小儿TLE检测的深度学习框架

使用18F-FDG-PET成像的小儿TLE检测的深度学习框架

研究描述
简要摘要:
这项研究旨在使用颞叶癫痫(TLE)的儿科患者使用放射线分析和深度学习方法进行癫痫发作焦点检测。提取和建模与儿科颞骨癫痫相关的十个正电子发射断层扫描(PET)放射素学特征,并培训了暹罗网络以自动定位癫痫病区域以帮助诊断。

病情或疾病
癫痫,颞叶

详细说明:

目的:成功控制癫痫控制的关键涉及在治疗前定位癫痫焦点。 18F-FDG PET被认为是医生用于评估癫痫患者的强大神经影像学技术。但是,成像质量,视角和经验可能很容易降低癫痫诊断的一致性。在这项工作中,研究人员开发了一个框架,将放射线分析和深度学习技术与计算机辅助诊断(CAD)方法相结合,以使用PET图像检测患有颞叶癫痫(TLE)儿科患者的癫痫患者的癫痫灶。

方法:首先提取和建模与小儿颞bole癫痫有关的十个PET放射素学特征。然后,对一个称为暹罗网络的神经网络进行了训练,可以量化不对称性并自动找到癫痫焦点以进行诊断。对提议的框架的性能进行了测试,并与最先进的临床软件工具和人类医生进行了比较验证准确性和一致性的经验。

学习规划
研究信息的布局表
研究类型观察
实际注册 201参与者
观察模型:队列
时间观点:回顾
官方标题:使用18F-FDG-PET成像的小儿颞叶癫痫检测的对称驱动的学习框架
实际学习开始日期 2018年6月1日
实际的初级完成日期 2019年2月28日
实际 学习完成日期 2019年4月30日
武器和干预措施
组/队列
实验组
实验组接受了18F-FDG宠物检查
控制组
对照组接受了18F-FDG宠物检查
结果措施
主要结果指标
  1. 我们在检测性能的模型的“曲线下区域”(AUC)[时间范围:通过研究完成,大约1年]
    为了评估我们的模型的性能,研究人员用不同的方法和不同级别的医生计算了我们模型的AUC,以用于正常或异常分类。


次要结果度量
  1. 我们在检测性能方面模型的“骰子相似系数”(DSC)[时间范围:通过研究完成,大约3个月]
    通过比较参考标准和正在测试的主题方法之间的空间重叠,通过“骰子相似性系数”(DSC)的度量来定量测量焦点病变检测的准确性。


资格标准
有资格信息的布局表
有资格学习的年龄: 6年至18岁(儿童,成人)
有资格学习的男女:全部
接受健康的志愿者:
采样方法:非概率样本
研究人群
颞叶癫痫的儿科患者
标准

纳入标准:

  1. 颞叶癫痫的临床诊断。
  2. 年龄从六到十八岁不等。
  3. 接受了宠物,脑电图,计算机断层扫描(CT)和MRI。

排除标准:

  1. 图像质量不令人满意(例如由于头部运动而导致的严重图像伪像)。
  2. 18F-FDG PEG检查为阴性。
  3. 临床数据不完整。
  4. 缺少脑电图或MRI报告。
联系人和位置

位置
布局表以获取位置信息
中国,郑
智人大学医学院第二附属医院核医学和PET/CT中心
杭州,中国江民,310009
赞助商和合作者
智格大学医学院第二会分支机构医院
追踪信息
首先提交日期2019年11月13日
第一个发布日期2019年11月20日
上次更新发布日期2020年1月2日
实际学习开始日期2018年6月1日
实际的初级完成日期2019年2月28日(主要结果度量的最终数据收集日期)
当前的主要结果指标
(提交:2019年12月30日)
我们在检测性能的模型的“曲线下区域”(AUC)[时间范围:通过研究完成,大约1年]
为了评估我们的模型的性能,研究人员用不同的方法和不同级别的医生计算了我们模型的AUC,以用于正常或异常分类。
原始主要结果指标
(提交:2019年11月17日)
我们在检测性能的模型的“曲线下区域”(AUC)[时间范围:通过研究完成,平均1年]
为了评估我们的模型的性能,我们通过不同的方法和不同级别的医生计算了正常或异常分类的模型AUC。
改变历史
当前的次要结果指标
(提交:2019年12月30日)
我们在检测性能方面模型的“骰子相似系数”(DSC)[时间范围:通过研究完成,大约3个月]
通过比较参考标准和正在测试的主题方法之间的空间重叠,通过“骰子相似性系数”(DSC)的度量来定量测量焦点病变检测的准确性。
原始的次要结果指标
(提交:2019年11月17日)
我们模型的“骰子相似性系数”(DSC)在检测性能方面[时间范围:通过研究完成,平均3个月]
通过比较参考标准和正在测试的主题方法之间的空间重叠,通过“骰子相似性系数”(DSC)的度量来定量测量焦点病变检测的准确性。
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
简短标题使用18F-FDG-PET成像的小儿TLE检测的深度学习框架
官方头衔使用18F-FDG-PET成像的小儿颞叶癫痫检测的对称驱动的学习框架
简要摘要这项研究旨在使用颞叶癫痫(TLE)的儿科患者使用放射线分析和深度学习方法进行癫痫发作焦点检测。提取和建模与儿科颞骨癫痫相关的十个正电子发射断层扫描(PET)放射素学特征,并培训了暹罗网络以自动定位癫痫病区域以帮助诊断。
详细说明

目的:成功控制癫痫控制的关键涉及在治疗前定位癫痫焦点。 18F-FDG PET被认为是医生用于评估癫痫患者的强大神经影像学技术。但是,成像质量,视角和经验可能很容易降低癫痫诊断的一致性。在这项工作中,研究人员开发了一个框架,将放射线分析和深度学习技术与计算机辅助诊断(CAD)方法相结合,以使用PET图像检测患有颞叶癫痫(TLE)儿科患者的癫痫患者的癫痫灶。

方法:首先提取和建模与小儿颞bole癫痫有关的十个PET放射素学特征。然后,对一个称为暹罗网络的神经网络进行了训练,可以量化不对称性并自动找到癫痫焦点以进行诊断。对提议的框架的性能进行了测试,并与最先进的临床软件工具和人类医生进行了比较验证准确性和一致性的经验。

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
研究人群颞叶癫痫的儿科患者
健康)状况癫痫,颞叶
干涉不提供
研究组/队列
  • 实验组
    实验组接受了18F-FDG宠物检查
  • 控制组
    对照组接受了18F-FDG宠物检查
出版物 * Zhang Q,Liao Y,Wang X,Zhang T,Feng J,Deng J,Shi K,Chen L,Chen L,Feng L,Ma M,Xue L,Hou H,Dou X,Yu X,Yu C,Yu C,Ren L,Ding Y,Ding Y,Chen Y,Chen Y ,Wu S,Chen Z,Zhang H,Zhuo C,Tian M.(18)颞叶癫痫病的儿科患者的(18)FDG PET成像诊断的深度学习框架。 Eur J Nucl Med Mol成像。 2021年1月9日。doi:10.1007/s00259-020-05108-y。 [Epub在印刷前]

*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
招聘状况完全的
实际注册
(提交:2019年11月17日)
201
原始的实际注册与电流相同
实际学习完成日期2019年4月30日
实际的初级完成日期2019年2月28日(主要结果度量的最终数据收集日期)
资格标准

纳入标准:

  1. 颞叶癫痫的临床诊断。
  2. 年龄从六到十八岁不等。
  3. 接受了宠物,脑电图,计算机断层扫描(CT)和MRI。

排除标准:

  1. 图像质量不令人满意(例如由于头部运动而导致的严重图像伪像)。
  2. 18F-FDG PEG检查为阴性。
  3. 临床数据不完整。
  4. 缺少脑电图或MRI报告。
性别/性别
有资格学习的男女:全部
年龄6年至18岁(儿童,成人)
接受健康的志愿者
联系人仅当研究招募主题时才显示联系信息
列出的位置国家中国
删除了位置国家
管理信息
NCT编号NCT04169581
其他研究ID编号2019-124
有数据监测委员会不提供
美国FDA调节的产品
研究美国FDA调节的药物:
研究美国FDA调节的设备产品:
IPD共享声明
计划共享IPD:
责任方智格大学医学院第二会分支机构医院
研究赞助商智格大学医学院第二会分支机构医院
合作者不提供
调查人员不提供
PRS帐户智格大学医学院第二会分支机构医院
验证日期2019年6月