申请/专利权人：上海嘉奥信息科技发展有限公司

申请日：2020-04-03

公开（公告）日：2024-02-20

公开（公告）号：CN111598948B

主分类号：G06T7/73

分类号：G06T7/73;G06V10/764;G06V10/766;G06V10/77;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.02.20#授权;2020.09.22#实质审查的生效;2020.08.28#公开

摘要：本发明提供了一种基于深度学习的CT影像椎弓根植钉通道规划方法和系统，收集脊椎的CT影像数据，标注CT影像数据中椎弓根植钉通道的关键点位置，将CT影像数据拆分成训练数据集、验证数据集、测试数据集；对CT影像数据中三维的层间距进行修订，对修订后数据进行归一化，对关键点位置建立主成分分析；构建关键点位置识别网络模型，识别网络模型后接回归任务和分类任务，并通过多任务学习分别计算初始化点到目标点的距离和方向；采用Tensorflow搭建识别网络模型，利用训练数据集和测试数据集进行训练调参，利用验证数据集进行测试，将通过测试的识别网络模型部署在以Docker为容器的微服务云端。通过采用构建深度神经网络自动在CT影像上定位植钉通道关键点，从而实现了椎弓根植钉通道的自动规划。

主权项：1.一种基于深度学习的CT影像椎弓根植钉通道规划方法，其特征在于，包括：影像收集步骤：收集脊椎的CT影像数据，标注CT影像数据中椎弓根植钉通道的关键点位置，将CT影像数据拆分成训练数据集、验证数据集、测试数据集；训练数据集用于训练整个网络；验证数据集为了方便调整神经网络的超参数，在训练过程验证整个网络的准确性，且在训练过程中会被不断使用；测试数据集用于最终验证整个网络的准确性，在训练过程中不会被使用，只用于确认最终的网络准确性；预处理步骤：对CT影像数据中三维的层间距进行修订，对修订后数据进行归一化，对关键点位置建立主成分分析；网络构建步骤：构建关键点位置识别网络模型，识别网络模型后接回归任务和分类任务，并通过多任务学习分别计算初始化点到目标点的距离和方向；部署步骤：采用Tensorflow搭建识别网络模型，利用训练数据集和测试数据集进行训练调参，利用验证数据集进行测试，将通过测试的识别网络模型部署在以Docker为容器的微服务云端；所述预处理步骤包括：修订步骤：对CT影像数据修订为以围绕关键点位置的冠状面、矢状面和横断面构成的2.5D数据结构；所述网络构建步骤包括：模型搭建步骤：构建关键点位置的7层深度卷积神经网络作为识别网络模型，每一层后接ReLU激活函数和Max-Pooling层，其中网络层被任务分支所共享，每个任务分支各由3层全连接层构成负责学习特定的任务；构建函数步骤：对于一个CT影像数据V和它的标注关键点xGT，一个训练的采样表示为IV,x,s,dGT,PGT,其中x是一个从CT影像V中随机采样的位置点，IV,x,s是对应的2.5D立体数据结构，则移动到标注关键点的位移向量表示为dGT＝xGT-x，深度卷积神经网络的损失函数L表示为： 其中，为回归任务的欧式距离损失，为分类任务的交叉熵损失，α是用来调节两者比重的参数，nbatch表示一个batch中训练样本的个数，dn和分别表示对于第n个样本网络输出的对于回归任务和分类任务的预测，n0表示CT数据中关键点的数量，表示第n个样本对于回归任务的真实值；迭代步骤：对于一个CT影像数据，初始化多个随机的采样点，对于每一个采样点提取围绕这个采样点的2.5D立体数据结构输入到深度卷积网络中，根据其输出的结果和特定的更新规则移动采样点，重新输入深度卷积网络中预测，依此迭代直到没有显著地改变后停止，对多个采样点最后的位置求平均值作为最后的预测。

全文数据：

权利要求：

百度查询： 上海嘉奥信息科技发展有限公司 基于深度学习的CT影像椎弓根植钉通道规划方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD