CN110897644A - 基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法 - Google Patents

Abstract

本发明涉及全膝关节置换技术领域，具体地说，涉及基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法。其方法包括如下步骤：采集腿部姿态的姿态角数据；获取训练所需数据；建立生成器G；建立判别器D；生成器G采用多层感知机的网络结构；判别器D采用带有参数的多层感知机；优化目标函数。该基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法中，对软组织平衡判断采用生成对抗网络进行训练，通过生成模和判别模型的互相博弈学习产生相当好的输出，减少公式判断带来的误差，提高平衡判断结果的准确度。

Description

基于生成对抗网络的全膝关节置换术中动态软组织平衡判断 方法

技术领域

本发明涉及全膝关节置换技术领域，具体地说，涉及基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法。

背景技术

全膝关节置换术是目前针对严重膝关节OA最可靠的治疗手段，其手术成功率可达90％以上。全膝关节置换手术成功的关键在于正确的截骨和软组织的平衡，共同使得术中能够准确重建下肢正常力学力线，术后患者疼痛消失，步态得到改善，获得良好的关节运动功能，提高患者的生活质量。目前较为成熟的软组织平衡技术主要是国外研发的计算机导航系统和Verasense传感器系统，这些系统虽然在一定程度上解决了术中软组织平衡判断的问题，但其学习时间长、操作复杂，延长了手术时间，增加了术中感染的风险，同时，在系统建设方面，对公式模型的构建，存在了较多的近似，且需要根据临床试验确定修正系数和平衡判断压力阈值，即使如此，仍有误差存在。

发明内容

本发明的目的在于提供基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其方法包括如下步骤：

S1、采集腿部姿态的姿态角数据，获取膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ角度数据，建立动态软组织平衡判断公式模型；

S2、获取训练所需数据，获取动态软组织平衡数据，动态软组织平衡数据记作p_data，再获取非动态软组织平衡数据，非动态软组织平衡数据记作p_z；

S3、建立生成器G，将非动态软组织平衡数据输入生成器G内；

S4、建立判别器D，将动态软组织平衡数据输判别器D内；

S5、生成器G采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)；

S6、判别器D采用带有参数的多层感知机，记为D(x)；

S7、优化目标函数，函数V(G,D)表示最终优化目标公式如下：

作为优选，所述建立动态软组织平衡判断公式模型的方法如下：

S1.1、对膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ进行归一化处理，归一化后得到α、β、γ对应归一化数据用ω_α、ω_β、ω_γ表示为：

S1.2、引入ω为不同腿部姿态下的动态权值，动态权值ω为：

ω＝ρ_αω_α+ρ_βω_β+ρ_γω_γ……(2-4)；

S1.3、建立动态软组织平衡判断公式模型，其公式为：

|Δ|<ω*T……(2-5)；

作为优选，所述优化目标函数包括优化判别器D目标和优化生成器G目标。

作为优选，所述优化判别器D目标的方法如下：

S2.1、从动态软组织平衡数据中抽取m个样本；

S2.2、从非动态软组织平衡数据中抽取m个噪声样本；

S2.3、将m个样本和m个噪声样本输入生成器G，生成数据

S2.4、通过梯度上升法跟新迭代判别器D的参数，

以使得极大化

作为优选，所述优化判别器D目标的函数公式入下：

作为优选，所述优化生成器G目标的方法如下：

S3.1、从非动态软组织平衡数据中另外抽取m个噪声样本{z¹,z²,...z^m}；

S3.2、通过梯度下降法，更新迭代生成器G参数

以使得极大化

作为优选，所述优化生成器G目标的函数公式如下：

与现有技术相比，本发明的有益效果：

1、该基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法中，构建动态软组织平衡判断公式，进行软组织平衡判断，指导医生在术中通过临床技术手段进行及时修正，从而实现下肢力线的准确恢复。

2、该基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法中，对软组织平衡判断采用生成对抗网络进行训练，通过生成模和判别模型的互相博弈学习产生相当好的输出，减少公式判断带来的误差，提高平衡判断结果的准确度。

附图说明

图1为本发明的流程框图；

图2为本发明的建立动态软组织平衡判断公式模型的方法流程图；

图3为本发明的优化判别器D目标的方法流程图；

图4为本发明的优化生成器G目标的方法流程图；

图5为本发明的膝关节伸、屈角测量示意图；

图6为本发明的膝关节内旋角测量示意图；

图7为本发明的膝关节外旋角测量示意图；

图8为本发明的髋关节外展角测量示意图；

图9为本发明的髋关节内收角测量示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图9所示，本发明提供一种技术方案：

为了方便表述腿部姿态，根据实际获取到的角度数据并结合临床常用术语，将腿部姿态角分别定义为膝关节伸、屈角，膝关节内旋、外旋角和髋关节内收、外展角。其中，膝关节伸、屈角是指小腿与大腿之间的夹角，用角α表示；膝关节内旋、外旋角是指小腿与大腿围绕下肢轴线向内侧和外侧旋转的角度，用角β表示；髋关节内收、外展角是指围绕髋关节向内侧和外侧运动的角度，用角γ表示。以左腿为例，膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ三类姿态下三维模型示意图如图5-图9所示。

本发明提供基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其方法包括如下步骤：

S1、采集腿部姿态的姿态角数据，获取膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ角度数据，建立动态软组织平衡判断公式模型；

S2、获取训练所需数据，获取动态软组织平衡数据，动态软组织平衡数据记作p_data，再获取非动态软组织平衡数据，非动态软组织平衡数据记作p_z；

S3、建立生成器G，将非动态软组织平衡数据输入生成器G内；

S4、建立判别器D，将动态软组织平衡数据输判别器D内；

S5、生成器G采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)；

S6、判别器D采用带有参数的多层感知机，记为D(x)；

S7、优化目标函数，函数V(G,D)表示最终优化目标公式如下：

本实施例中，建立动态软组织平衡判断公式模型的方法如下：

S1.1、对膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ进行归一化处理，归一化后得到α、β、γ对应归一化数据用ω_α、ω_β、ω_γ表示为：

S1.2、引入ω为不同腿部姿态下的动态权值，动态权值ω为：

ω＝ρ_αω_α+ρ_βω_β+ρ_γω_γ……(2-4)；

S1.3、建立动态软组织平衡判断公式模型，其公式为：

|Δ|<ω*T……(2-5)；

其中，考虑到术中小腿与大腿的联动性，放置于膝关节间隙中的六轴姿态传感器可以测得髋关节内收、外展角γ(围绕传感器X轴旋转的角度)，角θ(围绕传感器Y轴旋转的角度)和膝关节内旋、外旋角β(围绕传感器Z轴旋转的角度)。膝关节伸、屈角α，可通过θ推导获得，其推导公式如下：

其中x代表小腿长，y代表大腿长。在医学解剖学上，小腿长指胫骨点至内踝点的垂直距离；大腿长为髂前上棘点至胫骨点的垂直距离之93％。术前对病人进行小腿长度与大腿长度进行测量，输入到上位机软件中，上位机软件在术中根据θ值实时自动算出α值。

其中，(小腿长/大腿长)×100的值称为Crural指数，而中国成年人Crural指数均值范围在82.5～86.9，本系统上位机软件Crural指数默认值为84，则α推导公式为：

α＝π-θ-arcsin(sinθ*0.84)……(2-8)。

进一步的，优化目标函数包括优化判别器D目标和优化生成器G目标。

此外，优化判别器D目标的方法如下：

S2.1、从动态软组织平衡数据中抽取m个样本；

S2.2、从非动态软组织平衡数据中抽取m个噪声样本；

S2.3、将m个样本和m个噪声样本输入生成器G，生成数据

S2.4、通过梯度上升法跟新迭代判别器D的参数，

以使得极大化

其中，优化判别器D目标的函数公式入下：

其中，定义判别器D以判别样本是不是从Pdata(x)分布中取出来，因此：

其中，E为代取期望，辨别出x属于真实数据data的对数损失函数而构建的，最大化这一项相当于令判别器D在x服从data的概率密度时能准确地预测D(x)＝1，即：

D(x)＝1whenx∽p_data(x)……(3-3)。

除此之外，优化生成器G目标的方法如下：

S3.1、从非动态软组织平衡数据中另外抽取m个噪声样本{z¹,z²,...z^m}；

S3.2、通过梯度下降法，更新迭代生成器G参数

以使得极大化

优化生成器G目标的函数公式如下：

值得说明的是，对于判别器D来说，判别器D尽可能的区分真实样本和虚假样本，因此希望D(x)尽可能的大，D(G(x))尽可能的小，即V(D,G)尽可能的大，对于生成器G来说，生成器G希望尽可能的骗过D，也就是希望D(G(x))尽可能的大，即V(D,G)尽可能的小，两个模型相对抗，最后达到全局最优。

进一步的，在极小极大博弈的第一步中，给定生成器G，最大化V(D,G)，得出最优判别器D，其中，最大化V(D,G)评估了P_G和P_data之间的差异或距离，采用积分形式进行表达：

∫_xp_data(x)logD(x)dx+∫_zp(z)log(1-D(G(z)))dz＝∫_xp_data(x)log D(x)+p_G(x)log(1-D(x))dx……(5-1)。

在数据给定，G给定的前提下，P_data(x)与P_G(x)都可以看作是常数，分别采用a,b表示，则：

f(D)＝a log(D)+b log(1-D)……(5-2)；

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其方法包括如下步骤：

S1、采集腿部姿态的姿态角数据，获取膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ角度数据，建立动态软组织平衡判断公式模型；

S2、获取训练所需数据，获取动态软组织平衡数据，动态软组织平衡数据记作p_data，再获取非动态软组织平衡数据，非动态软组织平衡数据记作p_z；

S3、建立生成器G，将非动态软组织平衡数据输入生成器G内；

S4、建立判别器D，将动态软组织平衡数据输判别器D内；

S5、生成器G采用多层感知机的网络结构，用MLP的参数来表示可导映射G(z)；

S6、判别器D采用带有参数的多层感知机，记为D(x)；

S7、优化目标函数，函数V(G,D)表示最终优化目标公式如下：

2.根据权利要求1所述的基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其特征在于：所述建立动态软组织平衡判断公式模型的方法如下：

S1.1、对膝关节伸、屈角α，膝关节内旋、外旋角β和髋关节内收、外展角γ进行归一化处理，归一化后得到α、β、γ对应归一化数据用ω_α、ω_β、ω_γ表示为：

S1.2、引入ω为不同腿部姿态下的动态权值，动态权值ω为：

ω＝ρ_αω_α+ρ_βω_β+ρ_γω_γ……(2-4)；

S1.3、建立动态软组织平衡判断公式模型，其公式为：

|△|<ω*T……(2-5)；

3.根据权利要求1所述的基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其特征在于：所述优化目标函数包括优化判别器D目标和优化生成器G目标。

4.根据权利要求3所述的基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其特征在于：所述优化判别器D目标的方法如下：

S2.1、从动态软组织平衡数据中抽取m个样本；

S2.2、从非动态软组织平衡数据中抽取m个噪声样本；

S2.3、将m个样本和m个噪声样本输入生成器G，生成数据

S2.4、通过梯度上升法跟新迭代判别器D的参数，

以使得极大化

5.根据权利要求4所述的基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其特征在于：所述优化判别器D目标的函数公式入下：

6.根据权利要求4所述的基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其特征在于：所述优化生成器G目标的方法如下：

S3.1、从非动态软组织平衡数据中另外抽取m个噪声样本{z¹,z²,...z^m}；

S3.2、通过梯度下降法，更新迭代生成器G参数

以使得极大化

7.根据权利要求6所述的基于生成对抗网络的全膝关节置换术中动态软组织平衡判断方法，其特征在于：所述优化生成器G目标的函数公式如下：

Images