[发明专利]基于深度学习的全髋关节图像处理方法和设备有效

专利信息
申请号: 202110231578.8 申请日: 2021-03-02
公开(公告)号: CN112971981B 公开(公告)日: 2022-02-08
发明(设计)人: 张逸凌;刘星宇 申请(专利权)人: 北京长木谷医疗科技有限公司;长木谷医疗科技(青岛)有限公司;张逸凌
主分类号: A61B34/10 分类号: A61B34/10;A61F2/46
代理公司: 北京路浩知识产权代理有限公司 11002 代理人: 马瑞
地址: 100176 北京市大兴区北京经济*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 髋关节 图像 处理 方法 设备
【权利要求书】:

1.一种基于深度学习的全髋关节图像处理方法,所述方法在计算机中执行,其特征在于,包括:

获取模块获取患者骨盆及股骨图像数据,基于所述骨盆及股骨图像数据获得三维骨骼结构,并提取所述三维骨骼结构中的原有植入物;其中,所述三维骨骼结构包括三维骨盆图像、三维左侧股骨图像和三维右侧股骨图像;

在所述三维骨骼结构中去除所述原有植入物后,计算所述三维骨骼结构的骨骼缺损量;

识别模块识别所述三维骨骼结构中的关键点;

匹配模块基于所述关键点、所述原有植入物的形状和大小、以及所述骨骼缺损量,在预先存储假体模型的数据库中选择合适的假体模型,进行可视化模拟假体的匹配;

所述在预先存储假体模型的数据库中选择合适的假体模型,进行可视化模拟假体的匹配包括:

基于所述三维骨骼结构中的关键点,根据预置规则,计算翻修前腿长差与偏距差;

在除去所述原有植入物的三维骨盆图像中,可视化地安放匹配的髋臼杯假体模型;其中,所述髋臼杯假体模型为在预先存储假体模型的数据库中根据所述关键点、所述原有植入物的形状和大小选择确定;并根据所述骨骼缺损量增加垫块或叠加操作;

在除去所述原有植入物的三维左侧股骨图像、三维右侧股骨图像中的至少之一中,根据所述骨骼缺损量,可视化地安放翻修股骨柄假体模型;

并且,所述可视化为,在所述模拟假体匹配完成之后,在一个或多个状态下观察模拟匹配效果,所述一个或多个状态包括截骨状态或非截骨状态,骨骼透明状态或不透明状态。

2.根据权利要求1所述的基于深度学习的全髋关节图像处理方法,其特征在于,所述原有植入物通过人工神经网络模型进行分割提取。

3.根据权利要求1或2所述的基于深度学习的全髋关节图像处理方法,其特征在于,所述基于所述骨盆及股骨图像数据获得三维骨骼结构包括:

基于深度学习算法对所述骨盆及股骨图像数据进行图像分割;

基于分割后的图像数据进行三维重建,获得所述三维骨盆图像、三维左侧股骨图像、三维右侧股骨图像,以及,提取原有植入物,并可视化显示。

4.根据权利要求3所述的基于深度学习的全髋关节图像处理方法,其特征在于,

所述获得所述三维骨盆图像、三维左侧股骨图像和三维右侧股骨图像,提取原有植入物,并可视化显示后,还设置有:

在针对所述骨盆及股骨图像数据的分割需要优化的情况下,接收输入的分割调整指令;

根据所述分割调整指令对所述骨盆及股骨图像数据的分割进行调整。

5.根据权利要求3所述的基于深度学习的全髋关节图像处理方法,其特征在于,

所述基于深度学习算法对所述骨盆及股骨图像数据进行图像分割为:基于分割神经网络模型对所述骨盆及股骨图像数据进行图像分割;其中,

所述分割神经网络模型包括级联的第一分割神经网络和第二分割神经网络;

所述第一分割神经网络和所述第二分割神经网络的关联参数通过基于预先存储的医学图像数据库中的图像数据进行训练和测试确定。

6.根据权利要求5所述的基于深度学习的全髋关节图像处理方法,其特征在于,

所述第一分割神经网络为FCN、Seg Net、Unet、3D-Unet、Mask-RCNN、空洞卷积、ENet、CRFasRNN、PSPNet、ParseNet、RefineNet、ReSeg、LSTM-CF、DeepMask、DeepLabV1、DeepLabV2、DeepLabV3中的至少一种;

所述第二分割神经网络为EEfficientDet、SimCLR、PointRend中的至少一种。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京长木谷医疗科技有限公司;长木谷医疗科技(青岛)有限公司;张逸凌,未经北京长木谷医疗科技有限公司;长木谷医疗科技(青岛)有限公司;张逸凌许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110231578.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top