CN111402230A - 基于Monte Carlo方法的股骨髓腔形态特征分析方法 - Google Patents

Abstract

本发明公开了一种基于Monte Carlo方法的股骨髓腔形态特征分析方法，包括如下步骤：步骤一：采集股骨髓腔的CT图像的样本数据集D，标记股骨髓腔的基本特征集B，提取股骨关键横切面的髓腔边界和皮质骨外侧边界；步骤二：基于Monte Carlo方法计算关键横切面的髓腔横切面面积S _m和骨质横切面面积S _c，并进一步计算股骨髓腔的关键形态特征参数集Q；步骤三：基于样本数据集D，将股骨髓腔的基本特征集B和关键形态特征参数集Q作为属性集A，构建决策树，对股骨髓腔形态分类，本发明通过统计学方法分析股骨髓腔形态，具有准确、快速、高效等特点，为设计更合适的人工髋关节假体提供了数据支持。

Description

基于Monte Carlo方法的股骨髓腔形态特征分析方法

技术领域

本发明涉及一种计算机辅助骨科技术，具体涉及基于Monte Carlo方法的股骨髓腔形态特征分析方法，属于计算机辅助分析技术领域。

背景技术

人工髋关节置换是指用生物相容性良好的材料制成的一种类似人体骨关节的假体，置换被疾病或损伤所破坏的关节或关节平面，缓解关节疼痛、矫正畸形假体、改善关节的活动功能。股骨髓腔形态特征对人工髋关节假体设计有重要指导作用。植入后的稳定性与假体和髓腔的匹配程度有直接关系。不合理的股骨形态特征分析方法导致髋关节假体和人体匹配程度不理想，严重的会出现手术失败。股骨髓腔形态特征有很大的个体差异。正确地描述股骨髓腔形态显得十分关键。在描述股骨髓腔形态学特征参数时，通常只计算各关键部位的长度(如冠状径或者矢状径)。然而，事实上，从股骨CT(电子计算机断层扫描)数据的横切面看，股骨髓腔的形态并非呈现出规则的圆形。因此，单纯的求股骨关键位置处的冠状径或者矢状径并不能全面准确地反映股骨髓腔的形态。同时，现有方法尚未考虑(或实现)骨股髓腔沿垂直轴方向的形态特征的变化速度规律。可见，寻找出合理的股骨形态获取及分析方法对选择合适的髋关节假体及手术实施方案有重要指导作用。

发明内容

本发明所要解决的技术问题是，为全面地反映股骨上段髓腔的三维形态，本发明增加面积这一新的基本分析单元，并将股骨髓腔横切面的面积求解问题与概率模型相联系，用Monte Carlo方法实现统计模拟，以获得股骨髓腔横切面面积，并在此基础上构建反映股骨上段髓腔形态的若干特征参数，最后建立决策树将股骨上段髓腔形态分类。该方法具简单、灵活、高效等特点，为股骨上段髓腔特征分析提供了新方法，进而为科学地设计髋关节假体提供了数据支持。

为解决上述技术问题，本发明采用的技术方案为：

基于Monte Carlo方法的股骨上段髓腔形态特征分析方法，包括如下步骤：

步骤一：采集股骨髓腔的CT图像的样本数据集D，标记股骨髓腔的基本特征集B，提取股骨关键横切面的髓腔边界和皮质骨外侧边界；

步骤二：基于Monte Carlo方法计算关键横切面的髓腔横切面面积S_m和骨质横切面面积S_c，并进一步计算股骨髓腔的关键形态特征参数集Q；

步骤三：基于样本数据集D，将股骨髓腔的基本特征集B和关键形态特征参数集Q作为属性集A，构建决策树，对股骨髓腔形态分类，B、Q和A的对应关系如下：

B＝(b₁，b₂，……，b_i) (1)

Q＝(q₁，q₂，……，q_j) (2)

A＝(a₁，a₂，……，a_h) (3)

A＝(B,Q)＝(b₁，b₂，……，b_i，q₁，q₂，……，q_j) (4)

其中，i为股骨髓腔的基本特征的个数，j为股骨髓腔的关键形态特征参数的个数，h为股骨髓腔的属性的个数，h等于i和j之和，b_i代表股骨髓腔的第i个基本特征，q_j代表股骨髓腔的第j个关键形态特征参数，a_h代表股骨髓腔的第h个属性。

步骤一中，采集年龄≥20岁的CT图像的样本数据集D；

基本特征集B，包括性别b₁和年龄b₂，其具体取值如下：

b₁的属性取值为：男和女；

b₂的属性取值为：青年期(20-40岁)、中年期(41-59岁)和老年期(≥60岁以上)。

关键横切面包括：髓腔狭窄横切面、小粗隆中点横切面、小粗隆中点上20mm横切面和小粗隆中点下20mm横切面。

步骤二所述髓腔横切面面积S_m和骨质横切面面积S_c的计算步骤如下：

步骤2a：设定一个将步骤一的皮质骨外侧边界包含在内的最小矩形，以矩形某一长边为x轴，以矩形某一短边为y轴建立直角坐标系，所述长边和所述短边的交点为坐标系原点；记矩形长度为a，宽度为b，矩形面积为S，则矩形面积公式为：

S＝a×b (5)

步骤2b：进行模拟实验，随机在步骤2a矩形区域内产生服从均匀分布的N个随机点，分别统计落入皮质骨外侧边界曲线和髓腔边界曲线所包含区域内部的随机点个数M₁，M₂；

步骤2c：基于Monte Carlo方法，计算横切面的髓腔横切面面积S_m和骨质横切面面积S_c：

S_m＝S×M₂/N (6)

S_c＝S×(M₁-M₂)/N (7)

所述关键横切面包括：髓腔狭窄横切面、小粗隆中点横切面、小粗隆中点上20mm横切面和小粗隆中点下20mm横切面；

参照步骤二分别计算所述髓腔狭窄横切面、所述小粗隆中点横切面和所述小粗隆中点上20mm横切面的髓腔横切面面积S_m0、S_m1、S_m+20，以及所述髓腔狭窄横切面、所述小粗隆中点横切面和所述小粗隆中点下20mm横切面的骨质横切面面积S_c0、S_c1和S_c-20；

步骤二中，所述股骨髓腔的关键形态特征参数集Q包括：髓腔峡部髓腔占比q₁、小粗隆髓腔占比q₂、股骨干髓腔面积比率q₃、小粗隆髓腔面积比率q₄、对应公式如下：

q₁＝S_m0/(S_m0+S_c0) (8)

q₂＝S_m1/(S_m1+S_c1) (9)

q₃＝(S_m+20-S_m0)/h₁ (10)

q₄＝(S_m+20-S_m-20)/h₂ (11)

其中，h₁为从髓腔狭窄处至小粗隆中点上20mm处的上升高度，

h₂为从小粗隆中点下20mm处至小粗隆中点上20mm处的上升高度，h₂＝40mm，

q₁代表髓腔狭窄横截面上，髓腔占据股骨横切面的比率，

q₂代表小粗隆中点横切面上，髓腔占据股骨横切面的比率，

q₃代表髓腔狭窄处至小粗隆中点下20mm处的横切面上，髓腔面积的增长速度，

q₄代表小粗隆中点下20mm处至小粗隆中点上20mm处横切面上，髓腔面积的增长速度。

股骨髓腔特征的关键形态特征参数集Q的属性取值具体如下：

q₁的属性取值可分为：正常和增大；

q₂的属性取值可分为：正常和增大；q₃的属性取值均可分为：细高香槟酒杯型、粗矮香槟酒杯型、细高漏斗型、粗矮漏斗型、细高烟囱型和粗矮烟囱型；

q₄的属性取值均可分为：缓慢开大型和快速开大型。

步骤三包括：

步骤3a：针对样本数据集D，从根节点出发，自顶向下，计算样本数据集D基于属性集A的信息增益，选择信息增益最大的属性a_max，并由属性a_max的不同取值构建子节点；

步骤3b：对子节点，采用递归方法，调用上一步骤，构建决策树；

步骤3c：当样本数据集D基于属性集A所有信息增益趋于0时，结束递归调用；

步骤三分类类别分为2种：适合非骨水泥型固定型和适合骨水泥型固定型。

步骤3b中，所述信息增益指的是，针对样本数据集D，选择属性a_s对样本集划分，划分数据集前后的信息熵差值；则信息增益Gain的计算公式为：

其中，a_s为股骨髓腔的第s个属性，v表示属性a_s的第v个属性取值，属性a_s的属性取值共有V个，基于a_s的属性取值划分数据集D，分别得到D¹到D^V，

表示第v个属性取值的权重，Ent(D)和Ent(D^v)分别表示划分类别前后的信息熵；

所述信息熵，指表示髓腔形态特征不确定性的度量，则样本数据集D的信息熵为：

其中，n为类别个数，p_k为样本数据集D中第k类样本所占的比例。

步骤一中，采集年龄≥20岁的CT图像的样本数据集D；所述基本特征集B，包括性别b₁和年龄b₂。

股骨髓腔的基本特征集B的属性取值具体如下：

b₁的属性取值为：男和女；

b₂的属性取值为：青年期(20-40岁)、中年期(41-59岁)和老年期(≥60岁以上)。

本发明的有益效果是，增加面积这一新基本分析单元，并将股骨髓腔横切面的面积求解问题与概率模型相联系，用Monte Carlo方法，将不具有随机性质的股骨髓腔横切面面积求解问题，转化为具有随机性质的问题，以获得股骨髓腔横切面面积，并在此基础上构建反映股骨上段髓腔形态的若干特征参数，最后建立决策树将股骨上段髓腔形态分类。该方法具简单、灵活、高效等特点，为股骨上段髓腔特征分析提供了新方法，对提高髋关节假体设计质量和效率具有重要意义。

附图说明

图1是本发明的原理图；

图2是提取的股骨CT图像横切面边界示意图；

图3是股骨关键横切面示意图；

图4是横切面髓腔面积和骨质面积示意图；

图5是基于Monte Carlo方法的模拟投点实验示意图；

图6是决策树构建过程示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，基于Monte Carlo方法的股骨上段髓腔形态特征分析方法，包括如下步骤：

步骤一：采集股骨髓腔的CT图像的样本数据集D，标记股骨髓腔的基本特征集B，提取股骨关键横切面的髓腔边界和皮质骨外侧边界(如图2所示)；

步骤二：基于Monte Carlo方法计算关键横切面的髓腔横切面面积S_m和骨质横切面面积S_c，并进一步计算股骨髓腔的关键形态特征参数集Q；

步骤三：基于样本数据集D，将股骨髓腔的基本特征集B和关键形态特征参数集Q作为属性集A，构建决策树，对股骨髓腔形态分类，B、Q和A的对应关系如下：

B＝(b₁，b₂，……，b_i) (1)

Q＝(q₁，q₂，……，q_j) (2)

A＝(a₁，a₂，……，a_h) (3)

A＝(B,Q)＝(b₁，b₂，……，b_i，q₁，q₂，……，q_j) (4)

其中，i为股骨髓腔的基本特征的个数，j为股骨髓腔的关键形态特征参数的个数，h为股骨髓腔的属性的个数，h等于i和j之和，b_i代表股骨髓腔的第i个基本特征，q_j代表股骨髓腔的第j个关键形态特征参数，a_h代表股骨髓腔的第h个属性。

步骤一中，采集年龄≥20岁的CT图像的样本数据集D；

所述基本特征集B，包括性别b₁和年龄b₂。

股骨髓腔的基本特征集B的属性取值具体如下：

b₁的属性取值为：男和女；

b₂的属性取值为：青年期(20-40岁)、中年期(41-59岁)和老年期(≥60岁以上)。

如图3所示，股骨关键横切面包括：髓腔狭窄横切面、小粗隆中点横切面、小粗隆中点上20mm横切面和小粗隆中点下20mm横切面。

步骤二中，所述髓腔横切面面积S_m和骨质横切面面积S_c(如图4所示)计算步骤如下：

步骤2a：如图5所示，设定一个将步骤一的皮质骨外侧边界包含在内的最小矩形，以矩形某一长边为x轴，以矩形某一短边为y轴建立直角坐标系，所述长边和所述短边的交点为坐标系原点；记矩形长度为a，宽度为b，矩形面积为S，则矩形面积公式为：

S＝a×b (5)

步骤2b：进行模拟实验，随机在步骤2a矩形区域内产生服从均匀分布的N个随机点，分别统计落入皮质骨外侧边界曲线和髓腔边界曲线所包含区域内部的随机点个数M₁，M₂；

步骤2c：基于Monte Carlo方法，计算横切面的髓腔横切面面积S_m和骨质横切面面积S_c：

S_m＝S×M₂/N (6)

S_c＝S×(M₁-M₂)/N (7)

所述关键横切面包括：髓腔狭窄横切面、小粗隆中点横切面、小粗隆中点上20mm横切面和小粗隆中点下20mm横切面；所述髓腔狭窄横截面是指，股骨髓腔横断面面积最小的横断面；所述小粗隆中点横断面是指，经过小粗隆中点的横断面；所述小粗隆中点上20mm横断面是指，通过小粗隆中点上20mm处的横断面；所述小粗隆中点下20mm横断面是指，通过小粗隆中点下20mm处的横断面；

参照步骤二分别计算所述髓腔狭窄横切面、所述小粗隆中点横切面和所述小粗隆中点上20mm横切面的髓腔横切面面积S_m0、S_m1、S_m+20，以及所述髓腔狭窄横切面、所述小粗隆中点横切面和所述小粗隆中点下20mm横切面的骨质横切面面积S_c0、S_c1和S_c-20；

步骤二中，所述股骨髓腔的关键形态特征参数集Q包括：髓腔峡部髓腔占比q₁、小粗隆髓腔占比q₂、股骨干髓腔面积比率q₃、小粗隆髓腔面积比率q₄、对应公式如下：

q₁＝S_m0/(S_m0+S_c0) (8)

q₂＝S_m1/(S_m1+S_c1) (9)

q₃＝(S_m+20-S_m0)/h₁ (10)

q₄＝(S_m+20-S_m-20)/h₂ (11)

其中，h₁为从髓腔狭窄处至小粗隆中点上20mm处的上升高度，

h₂为从小粗隆中点下20mm处至小粗隆中点上20mm处的上升高度，h₂＝40mm，

q₁代表髓腔狭窄横截面上，髓腔占据股骨横切面的比率，

q₂代表小粗隆中点横切面上，髓腔占据股骨横切面的比率，

q₃代表髓腔狭窄处至小粗隆中点下20mm处的横切面上，髓腔面积的增长速度，

q₄代表小粗隆中点下20mm处至小粗隆中点上20mm处横切面上，髓腔面积的增长速度。

股骨髓腔特征的关键形态特征参数集Q的属性取值具体如下：

q₁的属性取值可分为：正常和增大；增大表明髓腔狭窄处皮质变薄，导致髓腔增大，甚至出现狭窄消失；

q₂的属性取值可分为：正常和增大；增大表明小粗隆处皮质变薄，导致髓腔增大；

q₃的属性取值均可分为：细高香槟酒杯型、粗矮香槟酒杯型、细高漏斗型、粗矮漏斗型、细高烟囱型和粗矮烟囱型，在垂直轴上，从髓腔狭窄横切面到小粗隆中点上20mm横切面，髓腔面积呈现不断向外扩展的趋势，开口程度较小者，呈现出烟囱状，开口程度中等者呈现出漏斗状，开口程度较大者则呈现出香槟酒杯状。这里，根据所有样本计算S_m+20-S_m0的平均值m₁，在m₁范围值内(m₁±a，a为常数，可根据临床经验获取)为开口程度中等，大于m₁+a为开口程度较大者，小于m₁-a为开口程度较小者；根据所有样本计算h₁的平均值m₂，大于m₂为细高型，小于m₂为粗矮型；

q₄的属性取值均可分为：缓慢开大型和快速开大型，在垂直轴上，从小粗隆中点下20mm横切面到小粗隆中点上20mm横切面，髓腔面积不断向外扩展，扩展相对较小者为缓慢开大型，扩展相对较大者为快速开大型。根据所有样本计算S_m+20-S_m-20的平均值m₃，大于m₃为扩展相对较大者，小于m₃为扩展相对较小者。

步骤三包括：

步骤3a：针对样本数据集D，从根节点出发，自顶向下，计算样本数据集D基于属性集A的信息增益，选择信息增益最大的属性a_max，并由属性a_max的不同取值构建子节点；

步骤3b：对子节点，采用递归方法，调用上一步骤，构建决策树；

步骤3c：当样本数据集D基于属性集A所有信息增益趋于0时，结束递归调用；

骤三中所述分类类别分为2种：适合非骨水泥型固定型和适合骨水泥型固定型。

步骤3b中，所述信息增益指的是，针对样本数据集D，选择属性a_s对样本集划分，划分数据集前后的信息熵差值；则信息增益Gain的计算公式为：

其中，a_s为股骨髓腔的第s个属性，v表示属性a_s的第v个属性取值，属性a_s的属性取值共有V个，基于a_s的属性取值划分数据集D，分别得到D¹到D^V，

表示第v个属性取值的权重，Ent(D)和Ent(D^v)分别表示划分类别前后的信息熵；

所述信息熵，指表示髓腔形态特征不确定性的度量，则样本数据集D的信息熵为：

其中，n为类别个数，p_k为样本数据集D中第k类样本所占的比例。

所述决策树技术是人工智能领域用于分类的重要技术。

如图6所示，假设在第一层结构中，信息增益最大的属性是“性别b₁”，因而选择“性别b₁”作为根节点的划分属性；对“性别b₁＝女”的子样本进一步划分，假设其信息增益最大的属性是“股骨干髓腔面积比率q₃”，则选择“股骨干髓腔面积比率q₃”作为该子样本的根节点；依次下去，最终实现类被的判断。一个新的患者，根据决策树判断出其适合的手术方案，即选择非水泥固定或者水泥固定。如一个新的患者为：性别b1为女，股骨干髓腔面积比率q₃为细高漏斗型，小粗隆髓腔面积比率q4为缓慢增大型，髓腔峡部髓腔占比q₁属性取值为正常、小粗隆髓腔占比q₂₁属性取值为正常，且处于中年期，则建议选择非水泥固定。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，包括如下步骤：

步骤一：采集股骨髓腔的CT图像的样本数据集D，标记股骨髓腔的基本特征集B，提取股骨关键横切面的髓腔边界和皮质骨外侧边界；

步骤二：基于Monte Carlo方法计算关键横切面的髓腔横切面面积S_m和骨质横切面面积S_c，并进一步计算股骨髓腔的关键形态特征参数集Q；

步骤三：基于样本数据集D，将股骨髓腔的基本特征集B和关键形态特征参数集Q作为属性集A，构建决策树，对股骨髓腔形态分类，B、Q和A的对应关系如下：

B＝(b₁，b₂，……，b_i) (1)

Q＝(q₁，q₂，……，q_j) (2)

A＝(a₁，a₂，……，a_h) (3)

A＝(B,Q)＝(b₁，b₂，……，b_i，q₁，q₂，……，q_j) (4)

其中，i为股骨髓腔的基本特征的个数，j为股骨髓腔的关键形态特征参数的个数，h为股骨髓腔的属性的个数，h等于i和j之和，b_i代表股骨髓腔的第i个基本特征，q_j代表股骨髓腔的第j个关键形态特征参数，a_h代表股骨髓腔的第h个属性。

2.根据权利要求1所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，步骤一中，所述基本特征集B，包括性别b₁和年龄b₂。

3.根据权利要求2所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，步骤一中，采集年龄≥20岁的CT图像的样本数据集D；

股骨髓腔的基本特征集B的属性取值具体如下：

b₁的属性取值为：男和女；

b₂的属性取值为：青年期、中年期和老年期。

4.根据权利要求1所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，步骤二所述髓腔横切面面积S_m和骨质横切面面积S_c的计算步骤如下：

步骤2a：设定一个将步骤一的皮质骨外侧边界包含在内的最小矩形，以矩形某一长边为x轴，以矩形某一短边为y轴建立直角坐标系，所述长边和所述短边的交点为坐标系原点；记矩形长度为a，宽度为b，矩形面积为S，则矩形面积公式为：

S＝a×b (5)

步骤2b：进行模拟实验，随机在步骤2a矩形区域内产生服从均匀分布的N个随机点，分别统计落入皮质骨外侧边界曲线和髓腔边界曲线所包含区域内部的随机点个数M₁，M₂；

步骤2c：基于Monte Carlo方法，计算横切面的髓腔横切面面积S_m和骨质横切面面积S_c：

S_m＝S×M₂/N (6)

S_c＝S×(M₁-M₂)/N (7)

5.根据权利要求4所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，所述关键横切面包括：髓腔狭窄横切面、小粗隆中点横切面、小粗隆中点上20mm横切面和小粗隆中点下20mm横切面；

分别计算所述髓腔狭窄横切面、所述小粗隆中点横切面和所述小粗隆中点上20mm横切面的髓腔横切面面积S_m0、S_m1、S_m+20，以及所述髓腔狭窄横切面、所述小粗隆中点横切面和所述小粗隆中点下20mm横切面的骨质横切面面积S_c0、S_c1和S_c-20；

步骤二中，所述股骨髓腔的关键形态特征参数集Q包括：髓腔峡部髓腔占比q₁、小粗隆髓腔占比q₂、股骨干髓腔面积比率q₃、小粗隆髓腔面积比率q₄、对应公式如下：

q₁＝S_m0/(S_m0+S_c0) (8)

q₂＝S_m1/(S_m1+S_c1) (9)

q₃＝(S_m+20-S_m0)/h₁ (10)

q₄＝(S_m+20-S_m-20)/h₂ (11)

其中，h₁为从髓腔狭窄处至小粗隆中点上20mm处的上升高度，

h₂为从小粗隆中点下20mm处至小粗隆中点上20mm处的上升高度，h₂＝40mm，

q₁代表髓腔狭窄横截面上，髓腔占据股骨横切面的比率，

q₂代表小粗隆中点横切面上，髓腔占据股骨横切面的比率，

q₃代表髓腔狭窄处至小粗隆中点下20mm处的横切面上，髓腔面积的增长速度，

q₄代表小粗隆中点下20mm处至小粗隆中点上20mm处横切面上，髓腔面积的增长速度。

6.根据权利要求5所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，股骨髓腔特征的关键形态特征参数集Q的属性取值具体如下：

q₁的属性取值分为：正常和增大；

q₂的属性取值分为：正常和增大；

q₃的属性取值分为：细高香槟酒杯型、粗矮香槟酒杯型、细高漏斗型、粗矮漏斗型、细高烟囱型和粗矮烟囱型；

q₄的属性取值分为：缓慢开大型和快速开大型。

7.根据权利要求1所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，步骤三包括：

步骤3a：针对样本数据集D建立根节点，自顶向下，计算样本数据集D基于属性集A的信息增益，选择信息增益最大的属性a_max，并由属性a_max的不同取值构建子节点；

步骤3b：对子节点，采用递归方法，调用上一步骤，构建决策树；

步骤3c：当样本数据集D基于属性集A所有信息增益趋于0时，结束递归调用。

8.根据权利要求1所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，步骤三分类类别分为2种：适合非骨水泥型固定型和适合骨水泥型固定型。

9.根据权利要求4所述的基于Monte Carlo方法的股骨髓腔形态特征分析方法，其特征在于，

步骤3b中，所述信息增益指的是，针对样本数据集D，选择任一属性a_s对样本集划分，划分数据集前后的信息熵差值；则信息增益Gain的计算公式为：

其中，a_s为股骨髓腔的第s个属性，v表示属性a_s的第v个属性取值，属性a_s的属性取值共有V个，基于a_s的属性取值划分数据集D，分别得到D¹到D^V，

表示第v个属性取值的权重，Ent(D)和Ent(D^v)分别表示划分类别前后的信息熵；

所述信息熵，指表示髓腔形态特征不确定性的度量，则样本数据集D的信息熵为：

其中，n为类别个数，p_k为样本数据集D中第k类样本所占的比例。

Images