【技术实现步骤摘要】
本专利技术涉及自动规划，尤其涉及一种基于深度学习的骨盆螺钉最优通道规划方法以及一种基于深度学习的骨盆螺钉最优通道规划系统。
技术介绍
1、骨盆骨折是一种严重的骨科创伤，其主要治疗方式为经皮螺钉固定的微创手术。鉴于骨盆的解剖结构复杂，以及神经与血管的密集分布，手术中存在医源性损伤的潜在风险。因此，精确地评估螺钉通道的位置和特征对于手术的成功至关重要。
2、目前，针对骨盆螺钉固定手术的规划技术主要分为手动规划和计算机辅助规划两种方式。在手动规划中，骨科医生使用专业医疗软件对骨盆进行三维重建，并手动在图像上标记代表螺钉的圆柱体。医生需不断对比和调整圆柱体与骨盆解剖结构的相对位置，以规划出最佳的螺钉路径。计算机辅助规划则通过标定螺钉的潜在进出口区域，并对这些区域的点进行系统遍历，形成潜在的螺钉通道轴。此方法通过计算每对点形成的线段与骨盆表面点之间的最短距离，选择距离骨表面最远且最短距离最大的通道轴，以确定最安全的螺钉植入位置。
3、在手动规划过程中，首先，规划时间较长，医生需要不断进行尝试和测量；其次，螺钉位置的规划具有观测者差异，易受主观判断的影响。此外，骨盆的复杂结构要求医生具备高度的专业经验。尽管计算机程序辅助规划能够减少由于手动操作带来的主观误差，但其标记和注释的过程依然耗时并需大量人工投入。此外，该程序需要遍历螺钉的所有潜在进出口点，形成众多的潜在通道轴，这一过程也极其耗时。更重要的是，程序在计算通道轴至骨表面点的距离时，并没有区分哪些区域是螺钉植入的关键区域，而是对所有骨表面点进行了计算，导致了不必要
技术实现思路
1、针对上述问题，本专利技术提供了一种基于深度学习的骨盆螺钉最优通道规划方法，通过深度学习的可变形配准网络实现骨盆螺钉相关注释的自动标注，提升了配准效率和特征提取准确性，通过骨盆螺钉的通道安全范围使得规划过程专注于螺钉潜在通道周围的骨盆区域，显著减少了无关表面点的处理和计算量，采用迭代优化算法避免了对每个可能骨盆螺钉轴线的穷举遍历计算，显著提高了搜索效率，其中向量运算策略提高了计算效率和简洁性。
2、为实现上述目的，本专利技术提供了一种基于深度学习的骨盆螺钉最优通道规划方法，包括：
3、对骨盆数据集进行格式转换和骨盆分割裁剪的预处理操作；
4、利用预处理后的骨盆数据集训练可变形配准网络，并利用训练完成的所述可变形配准网络制作得到骨盆模板；
5、在所述骨盆模板表面预标注骨盆螺钉的出入口区域，并分别计算通道半径、通道安全范围及最佳通道轴作为注释标签；
6、将所述骨盆模板向所要规划螺钉通道的待测骨盆进行配准，得到形变场，并将所述骨盆模板上标注的骨盆螺钉和注释标签映射至所述待测骨盆上；
7、将所述待测骨盆上所标注骨盆螺钉的起点和终点对应预设区域内所有衍生点相互连接形成衍生轴；
8、采用最优通道算法迭代计算所述衍生轴与通道范围表面点的通道半径，选取通道半径最大的轴线作为所述待测骨盆最优通道的最佳衍生轴。
9、在上述技术方案中，优选地，所述对骨盆数据集进行格式转换和骨盆分割裁剪的预处理操作，具体过程包括：
10、将所述骨盆数据集中的骨盆ct数据转换为预设格式的骨盆ct数据；
11、利用骨盆掩码对所述骨盆ct数据中的骨盆进行分割；
12、将分割后骨盆的体素块的大小进行统一，并将所述体素块的像素值进行归一化；
13、将骨盆图像裁剪为预设尺寸，完成预处理操作。
14、在上述技术方案中，优选地，所述利用预处理后的骨盆数据集训练可变形配准网络，并利用训练完成的所述可变形配准网络制作得到骨盆模板，具体过程包括：
15、基于所述骨盆数据集中的骨盆ct数据，计算每例骨盆和其余骨盆的平均dice分数，挑选分数最大的作为初始模板；
16、利用深度学习算法将每例骨盆向初始模板作非刚性配准，将得到的配准结果叠加求均值得到均值模板；
17、将所述均值模板再向其余每例骨盆作配准得到逆形变场，对所述逆形变场叠加求均值得到平均逆形变场，将所述平均逆形变场作用于所述均值模板得到平均模板；
18、将所述平均模板替换所述初始模板，并迭代计算所述骨盆数据集中的所有骨盆ct数据，得到所述骨盆模板。
19、在上述技术方案中，优选地，所述分别计算通道半径、通道安全范围及最佳通道轴作为注释标签的具体方法包括：
20、遍历所述骨盆螺钉的出口区域和入口区域内的点，针对每对点形成的线段中完全位于骨盆内的线段，标记该线段所途经的所有点，所有点形成的集合作为所述通道安全范围；
21、计算线段与骨盆表面点的全部距离，以最小的距离值作为该线段对应的通道半径，以通道半径最大的线段作为所述骨盆的最佳通道轴。
22、在上述技术方案中，优选地，所述将所述骨盆模板上标注的骨盆螺钉和注释标签映射至所述待测骨盆上，具体过程包括：
23、利用空间变换算法将所述骨盆模板上标注的骨盆螺钉映射至所述待测骨盆上，将所述骨盆模板的通道安全范围映射至所述待测骨盆上，将所述骨盆模板上最佳通道轴端点的圆域映射至所述待测骨盆上，计算圆域的平均坐标作为待测骨盆的初始通道端点，并将两侧初始通道端点连接形成线段作为初始通道轴，计算所述初始通道轴对应的通道半径。
24、在上述技术方案中，优选地，所述将所述待测骨盆上所标注骨盆螺钉的起点和终点对应预设区域内所有衍生点相互连接形成衍生轴，具体过程包括：
25、以所述初始通道轴的两端点为圆心，选取两圆心预设半径圆形区域内位于入口和出口范围内的体素块，形成衍生出入点集；
26、将所述衍生出入点集中的入口点和出口点分别相互连接形成衍生轴，所有的所述衍生轴构成衍生轴集合。
27、在上述技术方案中，优选地，所述采用最优通道算法迭代计算所述衍生轴与通道范围表面点的通道半径，具体过程包括：
28、采用矢量运算方法，计算每条所述衍生轴与所述待测骨盆的通道安全范围表面上点之间的最短垂直距离作为通道半径。
29、本专利技术还提出一种基于深度学习的骨盆螺钉最优通道规划系统，应用如上述技术方案中任一项公开的基于深度学习的骨盆螺钉最优通道规划方法，包括：
30、数据集预处理模块，用于对骨盆数据集进行格式转换和骨盆分割裁剪的预处理操作；
31、配准网络训练模块，用于利用预处理后的骨盆数据集训练可变形配准网络，并利用训练完成的所述可变形配准网络制作得到骨盆模板；
32、骨盆模板标注模块，用于在所述骨盆模板表面预标注骨盆螺钉的出入口区域，并分别计算通道半径、通道安全范围及最佳通道轴作为注释标签；
33、骨盆变形标注模块，用于将所述骨盆模板向所要规划螺钉通道的待测骨盆进行配准，得到形变场，并将所述骨盆模板上标注的骨本文档来自技高网...
【技术保护点】
1.一种基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述对骨盆数据集进行格式转换和骨盆分割裁剪的预处理操作，具体过程包括：
3.根据权利要求2所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述利用预处理后的骨盆数据集训练可变形配准网络，并利用训练完成的所述可变形配准网络制作得到骨盆模板，具体过程包括：
4.根据权利要求3所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述分别计算通道半径、通道安全范围及最佳通道轴作为注释标签的具体方法包括：
5.根据权利要求4所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述将所述骨盆模板上标注的骨盆螺钉和注释标签映射至所述待测骨盆上，具体过程包括：
6.根据权利要求5所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述将所述待测骨盆上所标注骨盆螺钉的起点和终点对应预设区域内所有衍生点相互连接形成衍生轴，具体过程包括：
7.根据权利要求6所述
8.一种基于深度学习的骨盆螺钉最优通道规划系统，其特征在于，应用如权利要求1至7中任一项所述的基于深度学习的骨盆螺钉最优通道规划方法，包括：
9.根据权利要求8所述的基于深度学习的骨盆螺钉最优通道规划系统，其特征在于，所述配准网络训练模块具体用于：
10.根据权利要求9所述的基于深度学习的骨盆螺钉最优通道规划系统，其特征在于，所述迭代计算选择模块具体用于：
...【技术特征摘要】
1.一种基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述对骨盆数据集进行格式转换和骨盆分割裁剪的预处理操作，具体过程包括：
3.根据权利要求2所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述利用预处理后的骨盆数据集训练可变形配准网络，并利用训练完成的所述可变形配准网络制作得到骨盆模板，具体过程包括：
4.根据权利要求3所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述分别计算通道半径、通道安全范围及最佳通道轴作为注释标签的具体方法包括：
5.根据权利要求4所述的基于深度学习的骨盆螺钉最优通道规划方法，其特征在于，所述将所述骨盆模板上标注的骨盆螺钉和注释标签映射至所述待测骨盆上，具体过程包括...
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。