【技术实现步骤摘要】
本专利技术涉及外科前交叉韧带重建手术，具体涉及一种人群股骨外上髁处髁间线曲率测算系统和方法。
技术介绍
1、前交叉韧带（acl）损伤是运动人群最常见的膝关节损伤之一，在前交叉韧带重建手术中，准确定位股骨隧道和胫骨隧道（尤其是股骨隧道）的起始解剖位点，对于恢复膝关节稳定性、防止撞击和移植物失败至关重要。前交叉韧带重建术中股骨隧道的定位会显著影响手术的效果，然而，在手术中医生发现不同人群的股骨外上髁处髁间线曲率特征不同，会影响现有股骨隧道定位器的稳定固定，影响手术效果。对人群股骨外上髁处髁间线曲率特征进行测量分析，从而指导设计出与解剖结构更匹配，定位更加准确的定位器对精准手术具有重要意义。本专利技术基于人工智能开发出能够对股骨髁间线近外侧髁点位进行识别并计算出位点的曲率的方法。
2、股骨定位器辅助手术中韧带股骨止点定位的操作，用于定位股骨隧道的位置、控制股骨隧道的方向。目前现有技术中常用股骨的定位器末端夹角并不能良好地与髁间线的生理曲面良好匹配。虽然现有的定位器设计能够使术者初步确定前交叉韧带股骨止点位置并进行骨隧道钻取，但是医生在大量的acl重建手术中发现，人群中股骨外上髁处髁间窝与腘面夹角存在明显差异。股骨外上髁处髁间窝与腘面夹角，是指外侧髁的上面、髁间窝和腘面交界处的区域，是acl重建手术中股骨定位器接触的定位部位。对于部分患者，现有的股骨定位器无法精准贴合该股骨位点，不能形成牢固固定，影响手术定位效果。
3、现有的定位方案并没有关注到不同人群的股骨外上髁处髁间线曲率差异。由此设计出来的股骨定位器并不能
4、在大量acl重建手术的操作中，研究人员关注到不同人群的股骨外上髁处髁间线曲率的差异，对此进行了研究。本申请依托于大量数据的统计分析，提出了一种膝关节髁间线测量方法，并将不同曲率结构分型，定制标准致力于解决这个问题。值得注意的是，新的分型结果是在新的研究方法下得到的。本申请开发的智能测算系统能够对股骨外上髁处髁间线近外侧髁点位进行自动智能识别并计算出位点的曲率，利用膝关节ct结果实现了患者外上髁处髁间线曲率的自动测量。这种方法对于人体结构的特征统计也具有临床意义。
技术实现思路
1、本专利技术旨在提供一种人群股骨外上髁处髁间线曲率测算系统和方法，所要解决的技术问题至少包括前交叉韧带重建手术中股骨止点定位器不匹配的临床实际问题。
2、为了实现上述目的，本专利技术提供一种人群股骨外上髁处髁间线曲率测算系统，包括结构分割单元、区域识别单元和曲率计算单元，
3、所述的结构分割单元用于从原始ct影像中分割出股骨部分，利用语义分割网络u-net，使用深度学习技术搭建智能分割模型，从ct影像中分割股骨部分，以实现以iou（intersection over union）指标>80%为标准的股骨影像的分割工作；
4、所述的区域识别单元用于从分离的股骨模型中识别出髁间线近外侧髁位点；
5、所述的曲率计算单元用于对识别出的位点区域划分曲线簇并计算曲率。
6、优选地，所述的结构分割单元用于从原始ct影像中分割出股骨部分，利用语义分割网络u-net，使用深度学习技术搭建智能分割模型，从ct影像中分割股骨部分，以实现以iou指标>80%为标准的1000套股骨影像的分割工作。
7、优选地，所述的区域识别单元采用基于深度学习的点云处理模型pointnet来从分离的股骨模型中识别出髁间线近外侧髁位点。
8、优选地，所述的区域识别单元从多个分离的股骨模型中识别出髁间线近外侧髁位点的具体方法为：首先对预定数量的股骨ct样本进行人工的结构分割，依次分割并标注出股骨外侧髁、腘面和髁间窝，然后训练深度学习模型对标注出的股骨外侧髁、腘面和髁间窝进行点云识别；在具体的分割标注过程中，首先将股骨远端外侧区域与股骨远端外侧区域以外的部分分割开来，股骨远端外侧区域以外的股骨结构标记为“区域0”；剩余的标注均在股骨远端外侧区域内进行，股骨外侧髁标记为“区域2”，股骨远端外侧与腘面重叠部分标记为“区域3”，髁间窝近外侧髁面标记为“区域4”，其余部分标记为“区域1”；由此将股骨分为五个区域，获取区域2、区域3和区域4的模糊的交叉边界区，即股骨髁间线近外侧髁点位，位于外侧髁、髁间窝和腘面三者边界的交界处的区域；随后使用预定数量的分割标注的数据对机器学习模型进行学习和训练。
9、优选地，所述的区域识别单元从分离的股骨模型中识别出髁间线近外侧髁位点的具体方法中，首先对大样本量的股骨ct样本进行人工的结构分割。
10、优选地，所述的区域识别单元从多个分离的股骨模型中识别出髁间线近外侧髁位点的具体方法中，使用大样本量分割标注的数据对机器学习模型进行学习和训练。
11、优选地，所述的区域识别单元分为两步对区域0、区域1、区域2、区域3和区域4这五个区域进行识别；首先识别并区分“区域0”，随后将“区域1、区域2、区域3和区域4”直接输入深度学习模型进行识别与区分。
12、优选地，所述的曲率计算单元计算曲率的具体方法为：首先取股骨髁间线近外侧髁点位的中间1/3部分，做十等分的法向量切面，得到十条生理曲线；随后对所有的十条生理曲线进行拟合，输出沿着目标点位的髁间线的各个曲线的曲率，计算出十条生理曲线的曲率的均方根平均值。
13、优选地，生理曲线的曲率的具体计算方法为：
14、假设生理曲线上的一个控制点的坐标为（x,y,z），该控制点从生理曲线的一端端点向另一端的端点运动的过程中，坐标（x,y,z）均为时间t的连续可导函数，假设生理曲线的参数方程为：
15、x=x(t)；
16、y=y(t)；
17、z=z(t)；
18、对求一阶导数，得到：
19、
20、对求二阶导数，得到：
21、
22、生理曲线的曲率半径的计算公式为：
23、；
24、其中：
25、
26、；
27、将v和a代入生理曲线的曲率半径的计算公式，整理后得到：
28、。
29、本专利技术还提供一种人群股骨外上髁处髁间线曲率测算系统的测算方法，包括以下步骤：
30、第一步，对患者膝关节进行三维ct扫描，获取dicom格式的原始影像数据；
31、第二步，从原始ct影像数据中分割出股骨部分，从分离的股骨模型中识别出髁间线近外侧髁位点，对识别出的位点区域划分曲线簇并计算曲率；
32、第三步，通过髁间线近外侧髁点位曲率的相关信息，得出相应的曲率分布区间，依此进行曲率特点的分型，从而指导设计出与解剖结构更匹配、定位更加准确牢固的定位器。
33本文档来自技高网...
【技术保护点】
1.一种人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的人群股骨外上髁处髁间线曲率测算系统包括结构分割单元、区域识别单元和曲率计算单元；
2.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的结构分割单元用于从原始膝关节CT影像中分割出股骨部分，利用语义分割网络U-net，使用深度学习技术搭建智能分割模型，从CT影像中分割股骨部分，以实现以>80%IOU指标为标准的1000套股骨影像的分割工作。
3.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元采用基于深度学习的点云处理模型PointNet来从多个分离的股骨模型中识别出髁间线近外侧髁位点。
4.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元从分离的股骨模型中识别出髁间线近外侧髁位点的具体方法为：首先对预定数量的股骨CT样本进行人工的结构分割，依次分割并标注出股骨外侧髁、腘面和髁间窝，然后训练深度学习模型对标注出的股骨外侧髁、腘面和髁间窝进行点云识别；在具体的分割标注过程中，首先将
5.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元从多个分离的股骨模型中识别出髁间线近外侧髁位点的具体方法中，首先对股骨CT样本进行人工的结构分割。
6.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元从多个分离的股骨模型中识别出髁间线近外侧髁位点的具体方法中，使用200套分割标注的数据对机器学习模型进行学习和训练。
7.根据权利要求4所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元分为两步对区域0、区域1、区域2、区域3和区域4这五个区域进行识别；首先识别并区分“区域0”，随后将“区域1、区域2、区域3和区域4”直接输入深度学习模型进行识别与区分。
8.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的曲率计算单元计算曲率的具体方法为：首先取股骨髁间线近外侧髁点位的中间1/3部分，做十等分的法向量切面，得到十条生理曲线；随后对所有的十条生理曲线进行拟合，输出沿着目标点位的髁间线的各个曲线的曲率，计算出十条生理曲线的曲率的均方根平均值。
9.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，生理曲线的曲率的具体计算方法为：
...【技术特征摘要】
1.一种人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的人群股骨外上髁处髁间线曲率测算系统包括结构分割单元、区域识别单元和曲率计算单元；
2.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的结构分割单元用于从原始膝关节ct影像中分割出股骨部分，利用语义分割网络u-net，使用深度学习技术搭建智能分割模型，从ct影像中分割股骨部分，以实现以>80%iou指标为标准的1000套股骨影像的分割工作。
3.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元采用基于深度学习的点云处理模型pointnet来从多个分离的股骨模型中识别出髁间线近外侧髁位点。
4.根据权利要求1所述的人群股骨外上髁处髁间线曲率测算系统，其特征在于，所述的区域识别单元从分离的股骨模型中识别出髁间线近外侧髁位点的具体方法为：首先对预定数量的股骨ct样本进行人工的结构分割，依次分割并标注出股骨外侧髁、腘面和髁间窝，然后训练深度学习模型对标注出的股骨外侧髁、腘面和髁间窝进行点云识别；在具体的分割标注过程中，首先将股骨远端外侧区域与股骨远端外侧区域以外的部分分割开来，股骨远端外侧区域以外的股骨结构标记为“区域0”；剩余的标注均在股骨远端外侧区域内进行，股骨外侧髁标记为“区域2”，股骨远端外侧与腘面重叠部分标记为“区域3”，髁间窝近外侧髁面标记为“区域4”，其余部分标记为“区域1”；由此将股骨分为五个区域，获取区域2、区域3...
【专利技术属性】
技术研发人员：王健全，丁国成，黄洪杰，张辛，邵嘉艺，段智馨，
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，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。