Renal Cancer Detection Using Convolutional Neural Networks
Ориентир для пациента и семьи
Простыми словами
Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.
- Что изучают
- Это наблюдательное исследование: исследуемое лечение участникам по протоколу не назначают.
- Кому может быть актуально
- Состояния в реестре: Kidney Cancer. Базовые параметры: Без ограничений · Все.
- Что важно проверить
- Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
- Где проводится
- Дания
- Следующий шаг
- Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →
Не всё понятно в терминах? Прочитайте наш гид для пациентов →
Обзор
We aim to experiment and implement various deep learning architectures in order to achieve human-level accuracy in Computer-aided diagnosis (CAD) systems. In particular, we are interested in detecting renal tumors from CT urography scans in this project. We would like to classify renal tumor to cancer, non cancer, renal cyst I, renal cyst II, renal cyst III and renal cyst VI, with high sensitivity and low false positive rate using various types of convolutional neural networks (CNN). This task can be considered as the first step in building CAD systems for renal cancer diagnosis. Moreover, by automating this task, we can significantly reduce the time for the radiologists to create large-scale labeled datasets of CT-urography scans.
Подробное описание
We aim to experiment and implement various deep learning architectures in order to achieve human-level accuracy in Computer-aided diagnosis (CAD) systems. In particular, we are interested in detecting renal tumors from CT urography scans in this project. We would like to classify renal tumor to cancer, non cancer, renal cyst I, renal cyst II, renal cyst III and renal cyst VI, with high sensitivity and low false positive rate using various types of convolutional neural networks (CNN). This task can be considered as the first step in building CAD systems for renal cancer diagnosis. Moreover, by automating this task, we can significantly reduce the time for the radiologists to create large-scale labeled datasets of CT-urography scans.
Первичные конечные точки
- Predicting recurrences [Срок оценки: 5 years]
Критерии участия
Критерии включения
- All patient with RCC, who underwent surgery
Критерии исключения
- Patients with RCC, who did not underwent surgery
Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.
Здоровые добровольцы: Нет
Дизайн исследования
- Модель наблюдения
- Когортное
Центры проведения
Дания · 1 центр
- Zealand University Hospital — Roskilde
Идентификаторы
NCT: NCT03857373 · Zealand_UCRU