基于深度学习的全髋关节置换术前规划系统技术方案

本发明专利技术提供一种基于深度学习的全髋关节置换术前规划系统，包括：全髋关节图像采集模块，用于获取待识别的全髋关节三维块状图；全髋关节识别模块，用于将待识别的全髋关节三维块状图输入到训练好的三维分割神经网络中，获取每张全髋关节二维横断面图像中的股骨区域，训练好的三维分割神经网络是由标注有股骨区域的标签的预设三维块状图，对卷积神经网络进行训练得到的；全髋关节三维图像构建模块，用于基于三维重建技术，根据每张全髋关节二维横断面图像中的股骨区域，得到股骨区域的三维图像。本发明专利技术对全髋关节三维块状图进行识别，并基于三维块状图对提取得到的股骨区域进行三维建模，进而根据该股骨区域三维模型，提高全髋关节识别精度。髋关节识别精度。髋关节识别精度。

【技术实现步骤摘要】
基于深度学习的全髋关节置换术前规划系统


[0001]本专利技术涉及人工智能
，尤其涉及一种基于深度学习的全髋关节置换术前规划系统。

技术介绍

[0002]关节置换术是指采用金属、高分子聚乙烯或陶瓷等材料，根据人体关节的形态、构造及功能制成人工关节假体，通过外科技术植入人体内。
[0003]在全髋关节置换的术前规划中，医师需要凭借自身的经验，从髋关节医学图像中判断整个股骨区域，确定需要置换的假体尺寸和型号等。但是传统的全髋关节置换技术依赖于医师经验，不同经验的医师会出现不同识别结果，难以保证结果的统一性。近年来，随着医疗水平的提高，利用二维图像分割神经网络识别可以消除这一缺点。
[0004]由于髋关节形状是三维结构的，使用二维图像分割神经网络进行全髋关节分割，会丢失掉关节连续切片层之间的特征信息，导致全髋关节的识别精度较低。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种基于深度学习的全髋关节置换术前规划系统。
[0006]本专利技术提供一种基于深度学习的全髋关节置换置换术前规划系统，包括：全髋关节图像采集模块，用于获取待识别的全髋关节三维块状图，所述待识别的三维块状图是由多张全髋关节二维横断面图像堆叠而成的；全髋关节识别模块，用于将所述待识别的全髋关节三维块状图输入到训练好的三维分割神经网络中，获取所述训练好的三维分割神经网络输出的每张全髋关节二维横断面图像中的股骨区域，所述训练好的全髋关节三维分割神经网络是由标注有股骨区域的标签的预设全髋关节三维块状图作为训练样本，对卷积神经网络进行训练得到的；全髋关节三维图像构建模块，用于基于三维重建技术，根据每张全髋关节二维横断面图像中的股骨区域，得到所述股骨区域的三维图像。
[0007]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节识别模块，还用于：获取若干张样本髋关节二维横断面图像；对每一张样本髋关节二维横断面图像中的样本股骨区域进行标注，并对所述样本股骨区域的股骨头像素标注股骨头区域标签，得到若干张第一预设髋关节二维横断面图像；根据样本髋关节二维横断面的采集顺序，将若干张所述第一预设髋关节二维横断面图像进行堆叠，得到对应的第一预设三维块状图像；将多个所述第一预设三维块状图像输入到所述初始的三维分割神经网络进行训练，得到训练好的三维分割神经网络；其中，所述初始的三维分割神经网络是由U
‑
Net卷积网络构建得到的，且所述U
‑
Net卷积网络的卷积核为三维卷积核。
[0008]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节识别模块，在所述将多个所述第一预设三维块状图像输入到所述初始的三维分割神经网络进行训练，得到训练好的三维分割神经网络之后，还用于：对若干张所述第一预设髋关节
二维横断面图像中样本股骨区域的骨皮质像素标注骨皮质区域标签，得到若干张第二预设髋关节二维横断面图像；将若干张所述第二预设髋关节二维横断面图像按顺序进行堆叠，得到对应的第二预设三维块状图；通过多个所述第二预设三维块状图，对所述训练好的三维分割神经网络的参数进行优化，得到髋关节识别模型。
[0009]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节识别模块，在所述获取待识别的全髋关节三维块状图之后，还用于：若所述待识别的全髋关节三维块状图为髋关节三维块状图，将所述髋关节三维块状图输入到所述髋关节识别模型，得到每张髋关节二维横断面图像中的股骨区域和骨皮质区域；根据所述股骨区域和所述骨皮质区域，确定髓腔区域；计算所述髓腔区域中每个髓腔层面的中点坐标，并根据所述中点坐标，将所有中心点进行直线拟合，确定髓腔解剖轴线；根据所述髓腔解剖轴线和股骨颈轴线，计算得到股骨颈干角的角度值；根据所述角度值、所述髓腔区域和股骨头旋转中心位置，确定股骨柄假体模型的类型和放置位置。
[0010]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节三维图像构建模块，在所述基于三维重建技术，根据每张全髋关节二维横断面图像中的股骨区域，得到所述股骨区域的三维图像之后，还用于：基于平面图像的质心公式，获取所述三维图像中股骨区域的股骨头中心点的像素坐标；将所述像素坐标转换为图像坐标；确定股骨头旋转中心位置；根据股骨头旋转中心位置，获取第一尺寸信息，以根据所述第一尺寸信息确定第二尺寸信息，其中，所述第一尺寸信息为股骨头对应的尺寸信息，所述第二尺寸信息为髋臼杯假体模型对应的尺寸信息。
[0011]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述术前规划系统还包括：位置矫正模块，所述位置矫正模块用于对放置的股骨柄假体模型的放置位置或者髋臼杯假体模型的放置位置进行矫正，以使所述股骨柄假体模型的放置位置以及所述髋臼杯假体模型的放置位置满足预设位置要求。
[0012]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节三维图像构建模块，在根据股骨头旋转中心位置，获取第一尺寸信息时，具体用于：确定股骨头旋转中心位置与股骨头区域边缘交点；通过交点与股骨头中心位置之间的长度值，获取第一尺寸信息。
[0013]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节三维图像构建模块，在确定股骨头旋转中心位置与股骨头区域边缘交点，通过交点与股骨头中心位置之间的长度值，获取第一尺寸信息时，具体用于；确定股骨头旋转中心位置与股骨头区域边缘在不同角度下的多个交点；通过多个交点与股骨头中心位置之间的多个长度值的平均值或中值，获取第一尺寸信息。
[0014]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述卷积神经网络中两个连续的三维卷积核是通过残差结构连接的，且所述卷积神经网络的损失函数是由DICE loss和BCE loss组成的。
[0015]根据本专利技术提供的一种基于深度学习的全髋关节置换术前规划系统，所述全髋关节识别模块，在根据所述股骨区域和所述骨皮质区域，确定髓腔区域时，具体用于：将所述股骨区域中骨皮质区域滤除，得到髓腔区域。
[0016]本专利技术的上述技术方案至少具有如下有益效果：
[0017]本专利技术提供的基于深度学习的全髋关节置换术前规划系统，通过将多张全髋关节二维横断面图像堆叠成全髋关节三维块状图，基于三维卷积核结构的卷积神经网络，对全髋关节三维块状图进行识别，有效的提取到每张全髋关节二维横断面图像的股骨区域，并根据提取得到的股骨区域进行三维建模，得到更为精准的股骨区域三维模型，以根据该股骨区域三维模型，在进行全髋关节置换术前规划时，提高全髋关节识别精度。
附图说明
[0018]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的全髋关节置换术前规划系统，其特征在于，包括：全髋关节图像采集模块，用于获取待识别的全髋关节三维块状图，所述待识别的全髋关节三维块状图是由多张全髋关节二维横断面图像堆叠而成的；全髋关节识别模块，用于将所述待识别的全髋关节三维块状图输入到训练好的三维分割神经网络中，获取所述训练好的三维分割神经网络输出的每张全髋关节二维横断面图像中的股骨区域，所述训练好的三维分割神经网络是由标注有股骨区域的标签的预设三维块状图像作为训练样本，对卷积神经网络进行训练得到的；全髋关节三维图像构建模块，用于基于三维重建技术，根据每张全髋关节二维横断面图像中的股骨区域，得到所述股骨区域的三维图像。2.根据权利要求1所述的基于深度学习的全髋关节置换术前规划系统，其特征在于，所述全髋关节识别模块，还用于：获取若干张样本髋关节二维横断面图像；对每一张样本髋关节二维横断面图像中的样本股骨区域进行标注，并对所述样本股骨区域的股骨头像素标注股骨头区域标签，得到若干张第一预设髋关节二维横断面图像；根据样本髋关节二维横断面的采集顺序，将若干张所述第一预设髋关节二维横断面图像进行堆叠，得到对应的第一预设三维块状图像；将多个所述第一预设三维块状图像输入到初始的三维分割神经网络进行训练，得到训练好的三维分割神经网络；其中，所述初始的三维分割神经网络是由U
‑
Net卷积网络构建得到的，且所述U
‑
Net卷积网络的卷积核为三维卷积核。3.根据权利要求2所述的基于深度学习的全髋关节置换术前规划系统，其特征在于，所述全髋关节识别模块，在所述将多个所述第一预设三维块状图像输入到初始的三维分割神经网络进行训练，得到训练好的三维分割神经网络之后，还用于：对若干张所述第一预设髋关节二维横断面图像中样本股骨区域的骨皮质像素标注骨皮质区域标签，得到若干张第二预设髋关节二维横断面图像；将若干张所述第二预设髋关节二维横断面图像按顺序进行堆叠，得到对应的第二预设三维块状图；通过多个所述第二预设三维块状图，对所述训练好的三维分割神经网络的参数进行优化，得到髋关节识别模型。4.根据权利要求3所述的基于深度学习的全髋关节置换术前规划系统，其特征在于，所述全髋关节识别模块，在所述获取待识别的关节三维块状图之后，还用于：将所述髋关节三维块状图输入到所述髋关节识别模型，得到每张髋关节二维横断面图像中的股骨区域和骨皮质区域；根据所述股骨区域和所述骨皮质区域，确定髓腔区域；计算所述髓腔区域中每个髓...

【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：张逸凌，
类型：发明
国别省市：