申请/专利权人:北京大学第三医院(北京大学第三临床医学院);清华大学;北京邮电大学
申请日:2023-09-18
公开(公告)日:2024-03-22
公开(公告)号:CN117237426B
主分类号:G06T7/33
分类号:G06T7/33;G06V10/25;G06V10/26;G06V10/80;G06V10/42;G06V10/44;G06V10/764;G06V10/774;G06V10/82
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2024.01.02#实质审查的生效;2023.12.15#公开
摘要:本发明涉及一种基于腰椎双斜位X光片的椎骨配准方法,属于椎骨配准技术领域,解决了现有技术中配准效率低、配准不精确的问题。方法包括以下步骤:获取不同动作下的腰椎双斜位X光片以及对应的标签数据构建训练样本集;所述标签数据包括每块椎骨在每个方向的方向向量;构建深度学习网络模型,基于所述训练样本集对构建的深度学习网络模型进行训练得到椎骨旋转估计模型;将待估计的腰椎双斜位X光片输入所述椎骨旋转估计模型得到每块椎骨在每个方向的方向估计向量;根据每块椎骨在每个方向的方向估计向量对每块椎骨进行旋转配准。实现了高效精确的椎骨配准。
主权项:1.一种基于腰椎双斜位X光片的椎骨配准方法,其特征在于,包括以下步骤:获取不同动作下的腰椎双斜位X光片以及对应的标签数据构建训练样本集;所述标签数据包括每块椎骨在每个方向的方向向量;构建深度学习网络模型,基于所述训练样本集对构建的深度学习网络模型进行训练得到椎骨旋转估计模型;将待估计的腰椎双斜位X光片输入所述椎骨旋转估计模型得到每块椎骨在每个方向的方向估计向量;根据每块椎骨在每个方向的方向估计向量对每块椎骨进行旋转配准;所述标签数据还包括椎骨分割标签;所述深度学习网络模型为多任务深度学习网络模型,所述多任务深度学习网络模型包括椎骨分割网络和椎骨旋转估计网络;对构建的深度学习网络模型进行训练得到椎骨旋转估计模型,包括:基于椎骨分割网络和椎骨旋转估计网络的联合损失更新多任务深度学习网络模型的模型参数,对多任务深度学习网络模型进行训练得到椎骨旋转估计模型;采用以下公式计算椎骨分割网络和椎骨旋转估计网络的联合损失: 其中,Loss表示模型的整体损失,表示第i块椎骨的旋转损失,lossMaskRCNN1和lossMaskRCNN2表示成对的腰椎斜位X光片的分割损失,mv表示椎骨的块数;采用以下公式计算第i块椎骨的旋转损失: 其中,表示模型预测的椎骨在X方向上的方向估计向量,表示模型预测的椎骨在Y方向上的方向估计向量,表示模型预测的椎骨在Z方向上的方向估计向量,表示标签数据中椎骨在X方向上的方向向量,表示标签数据中椎骨在Y方向上的方向向量,表示标签数据中椎骨在Z方向上的方向向量,lossorthogonality表示垂直约束损失,α表示垂直约束损失在整个损失函数中的权重系数。
全文数据:
权利要求:
百度查询: 北京大学第三医院(北京大学第三临床医学院);清华大学;北京邮电大学 一种基于腰椎双斜位X光片的椎骨配准方法
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。