一种术前预测髋臼假体压配稳定性预测指标的获取方法技术

一种术前预测髋臼假体压配稳定性预测指标的获取方法,通过如下步骤进行：步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标。该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得髋臼假体压配稳定性的预测指标。前获得髋臼假体压配稳定性的预测指标。前获得髋臼假体压配稳定性的预测指标。

【技术实现步骤摘要】
一种术前预测髋臼假体压配稳定性预测指标的获取方法


[0001]本专利技术涉及人工智能及医疗
，特别涉及一种术前预测髋臼假体压配稳定性预测指标的获取方法。

技术介绍

[0002]随着人口老龄化，老年人群髋部骨折的发生率在逐步上升，人工全髋关节置换术(total hip arthroplasty，THA)的数量也呈逐年上升的态势。人工全髋关节置换术是目前治疗髋关节疾病和髋部骨折最有效的手术方法。随着我国人口寿命的不断提高，髋关节置换术后的远期并发症问题也日渐突出。其中，假体无菌性松动、骨溶解、感染、假体周围骨折、位置不佳、脱位等原因而致手术失败的患者日益增多，使得髋关节翻修术的绝对数量也在逐年增加。
[0003]髋臼假体无菌性松动长期以来一直是全髋关节置换术失败的主要原因之一，占所有翻修术的18％以上。研究发现术中髋臼假体初始压配不稳是假体无菌性松动最直接原因。因此，越来越需要术前对髋臼假体压配稳定性进行预测，以便术者获得更为全面的个体化信息，有利于制定相应手术方案及术中应急预案，从而达到减少并发症和提高假体生存率的目标。
[0004]因此，针对现有技术不足，提供一种术前预测髋臼假体压配稳定性预测指标的获取方法以解决现有技术不足甚为必要。

技术实现思路

[0005]本专利技术的目的在于避免现有技术的不足之处而提供一种术前预测髋臼假体压配稳定性预测指标的获取方法。该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得髋臼假体压配稳定性的预测指标。
[0006]本专利技术的上述目的通过以下技术措施实现：
[0007]提供一种术前预测髋臼假体压配稳定性预测指标的获取方法，通过如下步骤进行：
[0008]步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；
[0009]步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；
[0010]步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；
[0011]步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标。
[0012]优选的，上述最优模型由如下步骤获得：
[0013]步骤A、采取多张髋部X线图像，并进行归一化处理，得到归一化图像；
[0014]步骤B、勾画步骤A得到的归一化图像的感兴趣区域；
[0015]步骤C、通过特征提取工具提取步骤B中归一化图像的感兴趣区域的生物学特征，
然后随机划分为训练集和测试集；
[0016]步骤D、通过机器学习算法筛选步骤C中的训练集中的生物学特征，筛选出最佳特征，然后根据最佳特征构建多个预测模型；
[0017]步骤E、通过步骤C中的测试集分别验证所有步骤D得到的预测模型，对应得到模型参数，根据模型参数筛选出最优的预测模型，并将最优的预测模型定义为最优模型。
[0018]优选的，上述步骤B具体为通过分割软件勾画感兴趣区域。
[0019]优选的，上述步骤C具体分为：
[0020]步骤(c.1)、通过特征提取工具提取步骤B的感兴趣区的生物学特征；
[0021]步骤(c.2)、按照比例抽样随机划分，得到训练集和测试集。
[0022]优选的，上述步骤D具体分为：
[0023]步骤(d.1)、通过最大相关最小冗余算法mRMR去除步骤C中训练集冗余和无关特征；
[0024]步骤(d.2)、通过最小绝对收缩与选择算子算法对步骤(d.1)的相关特征进行降维筛选；
[0025]步骤(d.3)、通过5倍交叉验证法选择LASSO模型中的参数λ，调节λ的值使LASSO模型的二项式偏差最小筛选得到最佳特征；
[0026]步骤(d.4)、根据最佳特征构建多个预测模型。
[0027]优选的，上述步骤(2)具体分为：
[0028]步骤(2.1)、通过最大相关最小冗余算法mRMR将步骤C中的训练集的数据特征中的去除冗余和无关特征去除；
[0029]步骤(2.2)、通过最小绝对收缩与选择算子算法对步骤(d.1)的相关特征进行降维；
[0030]步骤(2.3)、通过5倍交叉验证法选择LASSO模型中的参数λ，调节λ的值使LASSO模型的二项式偏差最小筛选得到最佳特征。
[0031]优选的，上述最佳特征为LASSO模型中最小标准误差对应的特征。
[0032]优选的，上述模型参数为ROC曲线下面积、准确率、敏感度和特异度。
[0033]优选的，上述预测指标为ROC曲线下面积、准确率、敏感度和特异度。
[0034]优选的，上述机器学习算法为逻辑回归、支持向量机、随机森林、决策树、高斯朴素贝叶斯或者神经网络。
[0035]优选的，上述特征提取工具为Pyradiomics。
[0036]优选的，上述待预测特征为影像组学特征或者深度学习特征中至少一种。
[0037]优选的，上述生物学特征为影像组学特征或者深度学习特征中至少一种。
[0038]本专利技术的一种术前预测髋臼假体压配稳定性预测指标的获取方法,通过如下步骤进行：步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标。该术前预测髋臼假体压配稳定性预测指标的获取方法能够在手术前获得髋臼假体压配稳定性的预测指标。
附图说明
[0039]利用附图对本专利技术作进一步的说明，但附图中的内容不构成对本专利技术的任何限制。
[0040]图1为一种术前预测髋臼假体压配稳定性预测指标的获取方法流程图。
[0041]图2为感兴趣区域(ROI)分割示意图。
[0042]图3为LASSO特征筛选图。
[0043]图4为另一LASSO特征筛选图。
[0044]图5为训练集的ROC曲线图。
[0045]图6为测试集的ROC曲线图。
[0046]图7为实施例2的感兴趣区域(ROI)分割示意图。
[0047]图8为实施例2测试集的ROC曲线。
具体实施方式
[0048]结合以下实施例对本专利技术的技术方案作进一步说明。
[0049]实施例1
[0050]一种术前预测髋臼假体压配稳定性预测指标的获取方法，如图1，通过如下步骤进行：
[0051]步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；
[0052]步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；
[0053]步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；
[0054]步骤(4)、将筛选后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种术前预测髋臼假体压配稳定性预测指标的获取方法，其特征在于，通过如下步骤进行：步骤(1)、将术前待预测的髋部X线图像定义为待测图像，并对待测图像勾画出感兴趣区域；步骤(2)、对步骤(1)的感兴趣区域通过特征提取工具进行特征提取，得到待预测特征；步骤(3)、通过机器学习算法筛选步骤(2)的待预测特征，得到筛选后特征；步骤(4)、将筛选后特征输入预先得到的最优模型进行计算，得到预测指标。2.根据权利要求1所述的术前预测髋臼假体压配稳定性预测指标的获取方法，其特征在于，所述最优模型由如下步骤获得：步骤A、采取多张髋部X线图像，并进行归一化处理，得到归一化图像；步骤B、勾画步骤A得到的归一化图像的感兴趣区域；步骤C、通过特征提取工具提取步骤B中归一化图像的感兴趣区域的生物学特征，然后随机划分为训练集和测试集；步骤D、通过机器学习算法筛选步骤C中的训练集中的生物学特征，筛选出最佳特征，然后根据最佳特征构建多个预测模型；步骤E、通过步骤C中的测试集分别验证所有步骤D得到的预测模型，对应得到模型参数，根据模型参数筛选出最优的预测模型，并将最优的预测模型定义为最优模型。3.根据权利要求2所述的术前预测髋臼假体压配稳定性预测指标的获取方法，其特征在于：所述步骤B具体为通过分割软件勾画感兴趣区域。4.根据权利要求3所述的术前预测髋臼假体压配稳定性预测指标的获取方法，其特征在于：所述步骤C具体分为：步骤(c.1)、通过特征提取工具提取步骤B的感兴趣区的生物学特征；步骤(c.2)、按照比例抽样随机划分，得到训练集和测试集。5.根据权利要求4所述的术前预测髋臼假体压配稳定性预测指标的获取方法，其特征在于：所述步骤D具体分为：步骤(d.1)、通过最大相关最小冗余算法mR...

【专利技术属性】
技术研发人员：欧阳汉斌，贺彬，陈海聪，钟环，魏波，张欣，林涛，梁振明，胡意辉，
申请(专利权)人：广东医科大学附属医院，
类型：发明
国别省市：