申请/专利权人：大连理工大学

申请日：2022-07-28

公开（公告）日：2024-04-26

公开（公告）号：CN115252233B

主分类号：A61F2/34

分类号：A61F2/34;G06T5/90;G06T7/00;G06T7/11;G06V10/762;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.11.18#实质审查的生效;2022.11.01#公开

摘要：本发明属于数字医疗、图像处理技术领域，公开了一种基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法。该方法可自动处理患有髋关节疾病患者的CT影像数据，通过多任务级联深度学习网络实现对输入CT影像的盆骨分割及大规模的解剖标志点标注，并采用第二阶段网络精细分割髋臼局部影像，后续使用网络分割结果与标志点位置自动计算出髋臼的相关参数，匹配合适的髋臼假体，模拟假体正确的放置位置。通过本方法可通过患者CT影像自动计算并给出手术中所需要的假体参数，实现了在术前计划中对髋臼假体的尺寸计算、位置定位，以及髋关节三维解剖结构的可视化展示，为医生提供更多参考信息，提高术前规划的精度，进而提升手术质量。

主权项：1.一种基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法，其特征在于，包括步骤如下：S1、数据预处理；S11、图像归一化；对于包含髋臼的盆骨CT图像，采用统一的CT值范围对CT图像的灰度归一化到[0,1]之间；将归一化后的CT图像降采样为低分辨率与高分辨率两种形式；S12、数据增强；包括随机旋转、缩放、平移、仿射变换、随机噪声、局部像素重排、内向填充和外向填充；S2、构建联合分割与标志点检测的多任务级联深度学习网络；将包含髋臼的盆骨CT图像输入至联合分割与标志点检测的多任务级联深度学习网络中，输出包括左髋、右髋、骶骨在内的多个骨骼的粗分割标签、髋臼局部的细化分割标签以及大规模的标志点；联合分割与标志点检测的多任务级联深度学习网络包括两个阶段，第一阶段从低分辨率的CT图像中执行粗分割及大规模的标志点检测任务，第二阶段根据第一阶段得到的标志点裁剪髋臼局部的高分辨率图像，使用级联的分割网络进行细化分割；第一阶段的多任务深度学习网络包括两个分支：分割分支与标志点检测分支；S21、分割分支由类U-Net结构组成，包含编码器和解码器两个部分；编码器部分包括四个子模块，每个子模块包含两个卷积操作以及一个分段线性激活函数，编码器还包括四次下采样操作，将3D数据的通道数从3扩展到256，以此来捕捉三维图像中的高维度信息；解码器与编码器相对应，包含四个子模块，每个子模块包括两个卷积操作以及一个分段线性激活函数，解码器包含四次上采样操作，通过上采样将由编码器处理得到的特征图的分辨率恢复到原始输入图像的尺寸；在编码器和解码器之间，采用了跳跃连接操作，将编码器不同阶段得到的图像特征融合到解码器的解码阶段，使得上采样后的特征图融合更多低级特征；对于粗分割结果，分割分支采用DiceLoss损失函数来进行约束，以解决类别不平衡的问题；DiceLoss定义为： 其中，X为预测粗分割结果矩阵，Y为真实标签矩阵，X∩Y为两者交集；|X|和|Y|分别为粗分割结果和真实标签矩阵的体素之和；对于每个体素，选择概率最高的类作为最终的粗分割预测结果；S22、标志点检测分支；遵循多任务深度学习网络中硬参数共享的原则，标志点检测分支与分割分支共享相同的编码器，并且具有相同的解码器；标志点检测分支将标志点检测问题转化为热图回归问题，标志点的离散坐标建模为具有以点位置为中心的高斯分布的通道热图；距离标志点坐标越近的热图具有越高的像素值；考虑到通道热图中的背景与高斯区域之间的严重不平衡，标志点检测分支采用Focalloss损失函数来解决类别不平衡的问题；采用固定阈值以划分正负样本，将通道热图中像素值大于固定阈值的区域视为正样本，其余区域视为负样本；正负样本的难度权重定义为： 其中，Spre为多任务深度学习网络预测的通道热图，Sgt为根据特征点标定结果生成的通道热图标签，区分正负样本的阈值为thre；在此基础上，Focalloss损失函数定义为： 获取通道热图中像素值最高的坐标作为该通道所对应标志点的预测坐标；S23、髋臼分割细化；第一阶段多任务深度学习网络的输出结果输入至第二阶段细化分割网络，获得髋臼局部区域的细化分割结果；基于第一阶段中标志点检测的结果，根据髋臼沿上的标志点确定包含髋臼的边界框；通过边界框的位置信息，从原始图像中裁剪一个高分辨的髋臼局部区域以及对应的粗分割标签，用于第二阶段细化分割网络的输入；第二阶段分割网络的网络结构与训练配置与第一阶段的多任务深度学习分割分支相同；细化分割结果与第一阶段的粗分割结果合并后为最终的分割结果；S3、自动化计算髋臼参数；S31、髋关节表面建模；采用移动立方体算法，将步骤S2得到的最终的分割结果建模为髋关节表面几何模型；S32、统一参考平面；对建模后的髋关节表面几何模型统一参考平面，用于在统一参考平面下表述髋臼的角度信息；根据多任务深度学习网络预测的标志点信息，以双侧髂前上棘与耻骨连接点三点所组成的平面称作盆骨前平面，作为冠状截面，以双侧髂前上棘的中点与耻骨连结点的连线以及冠状截面的法向量构建矢状截面，同时垂直于冠状截面与矢状截面的平面称之为横截面；S33、髋臼内部点采样；获得髋关节表面几何模型与髋臼旋转中心点，计算得到髋臼内部点集；具体做法为：a以髋臼旋转中心点为球心，以超过髋臼半径三分之一的长度作为半径创建一个球型曲面模型，该球型曲面模型包含髋关节表面几何模型的髋臼部分；b在球型曲面模型上采样若干个点，将球型曲面模型上的采样点与髋臼旋转中心点进行连线；c连线与髋关节的髋臼曲面相交，交点的集合表示髋臼内部点集；获得髋臼内部点集后，采用聚类算法分离异常点，获得真正的髋臼内部点集；S34、计算髋臼假体位置；根据真正的髋臼内部点集数据，利用最小二乘法来拟合球体，得到球体的球心和半径；在xyz坐标系中，球体的方程如下所示：x-a2+y-b2+z-c2＝r2经过变形得到：-2xa-2yb-2zc+a2+b2+c2+r2＝-x2-y2-z2化简得到：Axa+Ayb+Azc+Add＝e转化为矩阵形式为 其中，a、b、c为拟合球体的球心位置坐标，r为拟合球体的半径；拟合球体的球心位置代表髋臼假体的参考放置位置；S35、计算髋臼假体尺寸；将髋臼设定为半球形的解剖结构，放置髋臼杯的球心设置为拟合球体的球心，初始半径为拟合球体的球体半径；设定髋臼假体覆盖率最低阈值；髋臼假体覆盖率的计算公式如下： 其中，Sc表示髋关节假体与髋臼的接触的面积，Sp表示髋关节假体的表面积；当按照设定角度以及初始半径放置下的髋关节假体不能满足覆盖率最低阈值时，在初始半径的基础上增加一个假体型号的尺寸，迭代计算直到髋臼假体的尺寸满足覆盖率的需求，得到合适患者髋臼的假体尺寸。

全文数据：

权利要求：

百度查询： 大连理工大学 基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法

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。

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