[发明专利]一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置

说明书

本发明提供一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置，该方法步骤包括：抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。本发明可高效、准确地预测出所需的假体型号，准确率已经达到超过了专家使用CT和X光片进行术前测量的精度水平，并且本发明只需使用X光片和患者基本信息，成本更低，效果更稳定。

技术领域

本发明属于人工智能医疗图像处理领域，具体涉及一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置。

背景技术

随着社会老龄化的加剧，骨性关节炎已经成为了常见的关节疾病。全膝关节置换术(Total Knee Arthroplasty，TKA)是治疗重度膝关节骨炎症等疾病的有效方法，其临床疗效良好，假体生存率高，但同时也面临着一系列术后并发症，严重者甚至需要再次进行翻修手术，导致患者的术后满意度不足。过大或过小的假体都会对手术疗效造成不良影响，而精准的假体匹配可以减少术后患膝疼痛、假体松动、假体磨损、术后失血等并发症。因此，有必要对精准的术前假体规划进行研究。

目前的术前规划测量主要分为X线片模板测量和数字化模板测量。前者是使用假体公司提供的实体测量模板与X线片进行人工重合比对，选择匹配最佳的假体型号；后者则是借助数字化在线模板测量系统，将术前线片和系统中存有的不同型号假体数字模板进行匹配，预测可能的假体型号。这两项技术高度依赖摄片质量，受X线放大率影响巨大，而且精确性波动较大。

深度学习技术通过卷积层、池化层、全连接层等抽取图像中的关键特征，通过反向传播在训练集上进行训练，并泛化到从未接触过的数据集上。之前也有关于利用深度学习进行全膝关节置换术假体型号预测的发明研究，而且也达到了同专家测量相同的精度。例如中国专利申请CN110782976A公开了一种全膝关节置换术假体型号预测方法，该方法收集满足入选标准的患者术前膝关节的X光片以及患者的基本信息；对收集到的X光片及患者的基本信息进行预处理；将预处理后的图片和患者的基本信息作为特征，输入到基于深度学习技术训练完成的假体型号分类器中，得到患者在手术中各型号假体的使用概率。但由于患者病例数不足，以及患者使用的假体型号在分布上呈现“中间多，两段少”的特征，使用该方法训练得到的假体型号分类器在两端类别的预测上精度受限。本发明考虑将编码思想引入到模型训练中，一方面能使模型具有一定的纠错能力，提升模型性能；另一方面，通过将多分类任务拆分成多个二分类的子任务，拆分后的每个二分类器的样本分布同未拆分时的样本分布相比，更加均衡，进一步提升模型表现。

发明内容

针对现有人工测量耗时耗力、精度波动较大等问题，以及直接使用神经网络进行多分类任务时精度受限于数据集的缺陷，本发明旨在提供一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置，提高假体型号的预测精度。

本发明的技术方案为：

一种基于纠错输出码的全膝关节置换术假体型号预测方法，其步骤包括：

1)抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；

2)将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；

3)根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。

进一步地，所述X光片通过直方图均衡与均值漂移方法对原始X光片进行图像处理获得。

进一步地，获取所述纠错码的最优编码方案的步骤包括：

1)固定编码长度及判决方式，对各样本假体型号分配码字，并根据选取的码字，设置卷积神经网络的输出节点数目并进行训练，得到第一假体型号预测模型；