CN113962927A - 基于强化学习的髋臼杯位置调整方法、装置及存储介质 - Google Patents
基于强化学习的髋臼杯位置调整方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113962927A CN113962927A CN202111020824.1A CN202111020824A CN113962927A CN 113962927 A CN113962927 A CN 113962927A CN 202111020824 A CN202111020824 A CN 202111020824A CN 113962927 A CN113962927 A CN 113962927A
- Authority
- CN
- China
- Prior art keywords
- acetabular cup
- image
- data
- view
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000000588 acetabulum Anatomy 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002787 reinforcement Effects 0.000 title claims abstract description 30
- 210000004197 pelvis Anatomy 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 230000011218 segmentation Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 210000001624 hip Anatomy 0.000 description 2
- 210000004394 hip joint Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000012659 Joint disease Diseases 0.000 description 1
- 208000003076 Osteolysis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011882 arthroplasty Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 208000029791 lytic metastatic bone lesion Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011541 total hip replacement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Abstract
本发明提供一种基于强化学习的髋臼杯位置调整装置、方法及存储介质,包括:数据获取模块,用于根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据;视图转换模块,用于将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图;髋臼杯调整模块,用于将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。本发明提供的技术方案,能够基于深度强化学习和3D原始数据对髋臼杯假体的位置进行自动定位和精准调整,相比人为放置提高了覆盖率和速度。
Description
技术领域
本发明涉及深度强化学习技术领域,尤其涉及一种基于强化学习的髋臼杯位置调整方法、装置及存储介质。
背景技术
THA(全髋关节置换术)是大多数晚期髋关节疾病的最有效的解决方案,在进行THA手术时,外科医生需要将髋臼杯和股骨柄放在患病的髋关节中。髋臼杯、股骨柄的放置位置的组合选择会影响术后结果。根据观察,髋臼杯的尺寸和放置位置方向的不正确可能会导致松动、骨折、骨溶解、脱位等并发症;因此,术前计划至关重要。
由于缺乏三维角度作为参考,需要医生的想象力来放置髋臼杯。为了克服这些难点,通常外科医生会使用一些例如Orthoview规划软件、ZedHip规划软件等术前规划系统来完成全髋关节置换术的术前规划等,但是这些方法都不能完全满足术前规划的要求。例如,基于二维X线片的术前规划方法很容易因为放大倍数、拍摄角度和标记位置不当而受到干扰,无法准确地制定出一套完善的手术方案。
因此,亟需提出一种可以对髋臼杯假体的位置进行自动定位和精准调整的方式。
发明内容
本发明实施例提供一种基于深度强化学习的髋臼杯位置调整装置、方法及存储介质,能够基于深度强化学习和3D原始数据对髋臼杯假体的位置进行自动定位和精准调整。
本发明实施例的第一方面,提供一种基于强化学习的髋臼杯位置调整装置,包括:
数据获取模块,用于根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据;
视图转换模块,用于将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图;
髋臼杯调整模块,用于将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置;。
可选地,在第一方面的一种可能实现方式中,所述视图转换模块用于根据特征转换函数对所述3D原始数据进行转换:
Xt=[Vpelvis,Rsize,Pt] St=f(X)=[Cort,Sagt,Axit];
其中,Xt表示3D原始数据,Vpelvis表示骨盆的体积,Rsize表示髋臼杯的半径,Pt表示当前步长的髋臼杯的中心点位置,f(X)表示特征转换函数,[Cort,Sagt,Axit]表示在Pt处相交的冠状面、矢状面、横断面的视图。
可选地,在第一方面的一种可能实现方式中,所述髋臼杯调整模块还包括:
特征提取单元,用于将转换后得到的不同截面的视图数据分别输入至并行放置的特征提取器中进行特征提取,得到与不同截面的视图数据相对应的特征图像;
自由度设置单元,用于将提取到的不同特征图像分别输入至并行放置的全连接层中,并在每个全连接层中相应特征图像对应的不同节点设置若干个动作自由度;
调整信号输出单元,用于将每个全连接层中具有相同动作自由度的节点分别进行连接,输出用于执行调整动作的包含Q值的调整信号。
可选地,在第一方面的一种可能实现方式中,所述自由度设置单元,包括:
权重设置单元,用于针对不同截面的视图数据的特征图像,在对应的全连接层中为每个节点对应的自由度分配不同的参数权重。
可选地,在第一方面的一种可能实现方式中,
所述髋臼杯调整模块还用于执行以下步骤,包括:
获取表示髋臼杯的初始放置位置的第一状态信息;
根据深度双网络DDQN网络模型输出的包含Q值的调整信号,执行第一调整动作,所述第一调整动作包括以下至少一种:向左移动、向右移动、向前移动、向后移动、向上移动、向下移动所述髋臼杯;
根据所述第一状态信息和所述第一调整动作生成奖励信号;
根据所述奖励信号执行第二调整动作,并生成表示完成第二调整动作时的髋臼杯的中心位置的第二状态信息;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息一致,则结束髋臼杯的中心位置的调整;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息不一致,则继续对髋臼杯的中心位置进行调整。
所述奖励信号包括:
其中,C表示骨骼对髋臼杯的覆盖率;ω表示系数;d(·)表示欧几里得距离;Pt表示在时间步长t处的髋臼杯的中心位置;Pt-1表示在时间步长t-1处的髋臼杯的中心;Pfinal表示指定的髋臼杯中心的目的位置;T表示开始机器学习前人为设置的参数。
可选地,在第一方面的一种可能实现方式中,所述髋臼杯调整模块在执行动作的过程中根据奖励信号执行第二调整动作,包括:
如果当前髋臼杯的中心位置与目的位置之间的距离小于预设距离阈值时,则提供相应的正奖励信号以调整髋臼杯的中心位置与目的位置达到一致;
如果当前髋臼杯的中心位置与目的位置之间的距离大于预设距离阈值,则提供相应的负奖励信号以调整髋臼杯的中心位置与目的位置达到一致。
可选地,在第一方面的一种可能实现方式中,还包括图像分割模块,用于执行以下步骤,包括:
获取待识别图像;
将所述待识别图像输入至图像分割模型的第一图像处理子模型,对所述图像数据进行下采样,识别所述图像数据的深层特征;对进行下采样后的图像数据进行上采样,将所述深层特征存储到所述图像数据中;
将提取图像特征后的图像数据输入至所述图像分割模型的第二图像处理子模型,从所述图像特征中筛选预设置信度的特征点数据,对所述特征点数据进行双线性插值计算;基于计算后的特征点数据识别所属类别;
基于所述图像分割结果生成特征图像;对所述特征图像进行多级下采样,得到符合预设分辨率的第一特征图像;分别对各级下采样的特征图像进行上采样,得到第二特征图像;基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像;基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率,作为所述图像缩放结果;
基于所述图像缩放结果确定股骨区域及骨盆区域。
可选地,在第一方面的一种可能实现方式中,所述数据获取模块包括:
点云计算单元,用于计算髋臼内表面的点云,所述点云包括:从股骨区域生成的若干条依次垂直的线段与髋臼区域相交的点;
髋臼参数计算单元,用于利用髋臼内表面的点云,基于球体拟合算法计算得到髋臼的中心点位置和半径。
本发明实施例的第二方面,提供一种基于强化学习的髋臼杯位置调整方法,包括:
根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据;
将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图;
将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。
可选地,在第二方面的一种可能实现方式中,根据特征转换函数将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图:
根据特征转换函数对3D原始数据进行转换,
Xt=[Vpelvis,Rsize,Pt] St=f(X)=[Cort,Sagt,Axit]
其中,Xt表示3D原始数据,Vpelvis表示骨盆的体积,Rsize表示髋臼杯的半径,Pt表示当前步长的髋臼杯的中心点位置,f(X)表示特征转换函数,[Cort,Sagt,Axit]表示在Pt处相交的冠状面、矢状面、横断面的视图。
可选地,在第二方面的一种可能实现方式中,还包括:
将转换后得到的不同截面的视图数据分别输入至并行放置的特征提取器中进行特征提取,得到与不同截面的视图数据相对应的特征图像;
将提取到的不同特征图像分别输入至并行放置的全连接层中,并在每个全连接层中相应特征图像对应的不同节点设置若干个动作自由度;
将每个全连接层中具有相同动作自由度的节点分别进行连接,输出用于执行调整动作的包含Q值的调整信号。
可选地,在第二方面的一种可能实现方式中,还包括:针对不同截面的视图数据的特征图像,在对应的全连接层中为每个节点对应的自由度分配不同的参数权重。
可选地,在第二方面的一种可能实现方式中,还包括:
获取表示髋臼杯的初始放置位置的第一状态信息;
根据深度双网络DDQN网络模型输出的包含Q值的调整信号,执行第一调整动作,所述第一调整动作包括以下至少一种:向左移动、向右移动、向前移动、向后移动、向上移动、向下移动所述髋臼杯;
根据所述第一状态信息和所述第一调整动作生成奖励信号;
根据所述奖励信号执行第二调整动作,并生成表示完成第二调整动作时的髋臼杯的中心位置的第二状态信息;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息一致,则结束髋臼杯的中心位置的调整;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息不一致,则继续对髋臼杯的中心位置进行调整。
所述奖励信号包括:
其中,C表示骨骼对髋臼杯的覆盖率;ω表示系数;d(·)表示欧几里得距离;Pt表示在时间步长t处的髋臼杯的中心位置;Pt-1表示在时间步长t-1处的髋臼杯的中心;Pfinal表示指定的髋臼杯中心的目的位置;T表示开始机器学习前人为设置的参数。
可选地,在第二方面的一种可能实现方式中,所述在执行动作的过程中根据接收到的奖励信号生成第二调整动作,包括:
如果当前髋臼杯的中心位置与目的位置之间的距离小于预设距离阈值时,则提供相应的正奖励信号以调整髋臼杯的中心位置与目的位置达到一致;
如果当前髋臼杯的中心位置与目的位置之间的距离大于预设距离阈值,则提供相应的负奖励信号以调整髋臼杯的中心位置与目的位置达到一致。
可选地,在第二方面的一种可能实现方式中,所述方法还包括:
获取待识别图像;
将所述待识别图像输入至图像分割模型的第一图像处理子模型,对所述图像数据进行下采样,识别所述图像数据的深层特征;对进行下采样后的图像数据进行上采样,将所述深层特征存储到所述图像数据中;
将提取图像特征后的图像数据输入至所述图像分割模型的第二图像处理子模型,从所述图像特征中筛选预设置信度的特征点数据,对所述特征点数据进行双线性插值计算;基于计算后的特征点数据识别所属类别;
基于所述图像分割结果生成特征图像;对所述特征图像进行多级下采样,得到符合预设分辨率的第一特征图像;分别对各级下采样的特征图像进行上采样,得到第二特征图像;基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像;基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率,作为所述图像缩放结果;
基于所述图像缩放结果确定股骨区域及骨盆区域。
可选地,在第二方面的一种可能实现方式中,还包括:
计算髋臼内表面的点云,所述点云包括:从股骨区域生成的若干条依次垂直的线段与髋臼区域相交的点;
利用髋臼内表面的点云,基于球体拟合算法计算得到髋臼的中心点位置和半径。
本发明实施例的第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第二方面及第二方面各种可能设计的所述方法。
本发明提供的一种基于强化学习的髋臼杯位置调整装置、方法及存储介质,能够先根据球体拟合算法获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据,再通过3D特征转换器将所述3D原始数据转换为不同截面的视图数据,该视图数据包括冠状面视图、矢状面视图和横断面视图,然后利用训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。实现了基于3D原始数据使用强化学习技术对髋臼杯的位置进行自动定位和精确调整,使用强化学习来放置髋臼杯,相比人为放置提高了骨骼对髋臼杯覆盖率和放置髋臼杯速度。另外,人为设定时由于不确定的偶然因素导致设置精度存在一定程度的随机性,本申请的强化学习可以从根本上避免这种偶然因素导致的随机性。
附图说明
图1为基于强化学习的髋臼杯位置调整装置的第一种实施方式的结构图;
图2为3D场景示意图;
图3为视图示意图;
图4为髋臼杯位置调整流程图;
图5为网络结构图;
图6为髋臼杯移动方向示意图;
图7为分割网络结构图;
图8为点云示意图;
图9为基于强化学习的髋臼杯位置调整方法的第一种实施方式的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明的实施例提供一种基于强化学习的髋臼杯位置调整装置,如图1所示,包括:
数据获取模块,用于根据球体拟合算法获取髋臼的中心点位置和半径,以及根据髋臼的中心点位置和半径确定髋臼杯的初始放置位置和髋臼杯的大小型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据。在本模块中,使用球体拟合算法来计算髋臼的中心点位置和半径,即可以得到髋臼杯的初始放置位置和髋臼杯的型号,并可以将髋臼杯的前倾角和外展角设置为20°和40°。
视图转换模块,用于通过3D特征转换器将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图。在本模块中,考虑到外科医生在软件中移动髋臼杯时,通过不会观看3D场景(例如图2),而是习惯于在二维图像区域中查看髋臼杯的轮廓,因此本申请通过3D特征转换器,将3D原始数据转换为冠状面视图、矢状面视图和横断面视图,如图3所示,三个视图的平面在髋臼杯的中心位置相交。
髋臼杯调整模块模块,用于将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。在本模块中,使用了双深度Double DQN网络体系结构,因此RL策略网络和Q值网络共享相同的网络设计,使用DQN网络模型是为了使Q值评估过程和动作选择过程脱钩。
在模块中,具体根据深度双网络DDQN网络模型输出的调整信号来调整髋臼杯的位置的过程如图4所示,对3D原始数据进行特征转换,并将特征转换后的视图输入至RL决策网络中从而获取髋臼杯的预设调整动作,其中预设调整动作包括向左移动、向右移动、向内移动、向外移动、向上移动、向下移动;然后更新返回3D原始数据,循环直至出现停止信号,即代表髋臼杯的中心移动至目的位置。
在一个实施例中,所述视图用于根据特征转换函数对所述3D原始数据进行转换:
Xt=[Vpelvis,Rsize,Pt] St=f(X)=[Cort,Sagt,Axit]
其中,Xt表示3D原始数据,Vpelvis表示骨盆的体积,Rsize表示髋臼杯的半径,Pt表示当前步长的髋臼杯的中心点位置,f(X)表示特征转换函数,[Cort,Sagt,Axit]表示在Pt处相交的冠状面、矢状面、横断面的视图,尺寸大小为128*128。在本模块中,根据特征转换函数对3D原始数据进行转换的具体转换过程为:将髋臼杯模型根据初始放置位置和大小型号信息转换为三维体积矩阵,并将其加入覆盖到骨盆的体积矩阵中,再以髋臼杯中心P为基准点,分别得到矢状面,冠状面,横切面的三个视图,三个平面相交于点P,三视图中融合了骨盆的剖面和髋臼杯体积矩阵的剖面。
在一个实施例中,所述髋臼杯调整模块还包括:
特征提取单元,用于将转换后得到的不同截面的视图数据分别输入至并行放置的特征提取器中进行特征提取,得到与不同截面的视图数据相对应的特征图像。
自由度设置单元,用于将提取到的不同特征图像分别输入至并行放置的全连接层中,并在每个全连接层中相应特征图像对应的不同节点设置若干个动作自由度;
调整信号输出单元,用于将每个全连接层中具有相同动作自由度的节点分别进行连接,输出用于执行调整动作的包含Q值的调整信号。
在本模块中,使用了双深度Double DQN网络体系结构,因此策略网络和Q值网络共享相同的网络设计,其网络结构如图5所示。其中RL决策网络,将3个视图分别输入并行放置的相同特征提取器中,特征提取器包括1个CNN block和2个Resnet block在训练过程中通过反向传播将具有嵌入网络中的Resnet块的快速响应动作更加敏感,如果没有Resnet块,则当偏离目的位置时,agent智能体会一直偏离,直到它指出当前动作是错误的。在特征提取部分之后,有3个并行的全连接层(fc)代表每个视图(冠状视图,矢状视图,横断面视图)的潜在动作选择,由于每个视图可以确定4个自由度,因此我们将相同动作的相应节点相加在一起,并将所有6个自由度连接起来,形成一个用于执行预设调整动作的Q值输出。其中Q值通过如下函数进行输出,
yj=Rj+γmaxQ
Rj是来自环境的奖励信号,yj是一个固定参数,maxQ是网络输出中Q值的最大值。
在一个实施例中,所述自由度设置单元,包括:权重设置单元,用于针对不同截面的视图数据的特征图像,在对应的全连接层中为每个节点对应的自由度分配不同的参数权重。在本步骤中,考虑到在使用不同视图进行特定决策时会产生偏差,例如,在决定向左或者向右动作时,往往更多地依赖于矢状面视图而较少依赖于冠状面视图,因此需要在添加不同视图数据的节点时分配不同的参数权重。
在一个实施例中,所述髋臼杯调整模块还用于执行以下步骤,包括:
获取表示髋臼杯的初始放置位置的第一状态信息;
根据深度双网络DDQN网络模型输出的包含Q值的调整信号,执行第一调整动作,所述第一调整动作包括一下至少一种:向左移动、向右移动、向前移动、向后移动、向上移动、向下移动移动所述髋臼杯;
根据所述第一状态信息和所述第一调整动作生成奖励信号;
根据所述奖励信号执行第二调整动作,并生成表示完成第二调整动作时的髋臼杯的中心位置的第二状态信息;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息一致,则结束髋臼杯的中心位置的调整;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息不一致,则重新对髋臼杯的中心位置进行调整。
所述奖励信号包括:
其中,C表示骨骼对髋臼杯的覆盖率;ω表示系数;d(·)表示欧几里得距离;Pt表示在时间步长t处的髋臼杯的中心位置;Pt-1表示在时间步长t-1处的髋臼杯的中心;Pfinal表示指定的髋臼杯中心的目的位置;T表示开始机器学习前人为设置的参数。
在本模块中,首先会获取髋臼杯的大小型号和初始位置;然后通过6个自由度对髋臼杯的位置进行移动,使其中心位置与最终目的位置达到一致,可移动方向包括:向左移动、向右移动、向上移动、向下移动、向内移动、向外移动,髋臼杯移动方向如图6所示。在移动过程中,会根据髋臼杯的中心位置和目的位置以及调整动作生成奖励信号,继而根据奖励信号来调整下一步移动方向,例如:当髋臼杯的中心远离目的地的位置时,这意味着时间步长t处的距离大于时间步长t-1处的距离,分子将变大而分母变为负数,因此将接收有较大的负奖励信号作为惩罚,继而调整当前移动方向直至髋臼杯的中心位置向目的位置移动;当髋臼杯的中心接近目的位置时,分母为正,将获得较大的正奖励信号作为激励,继续按照该移动方向对髋臼杯进行移动。
在一个实施例中,所述髋臼杯调整模块在执行动作的过程中根据奖励信号执行第二调整动作,包括:
如果当前髋臼杯的中心位置与目的位置之间的距离小于预设距离阈值时,则提供相应的正奖励信号以调整髋臼杯的中心位置与目的位置达到一致;如果当前髋臼杯的中心位置与目的位置之间的距离大于预设距离阈值时,则提供相应的负奖励信号以调整髋臼杯的中心位置与目的位置达到一致。在本步骤中,当髋臼杯中心与目的位置之间的距离小于一定预设距离时,驱动力变得越来越弱并且更加不确定,使用肉眼无法分辨很小区域的差异,而本发明使用强化学习可以确定更加细微的位置,即:髋臼杯位置与目的位置之间的距离小于一定预设距离时,调整将提前结束,并且将提供固定的正奖励信号以驱动髋臼杯到达最终目的位置;当髋臼杯中心与目的位置之间的距离大于一定预设距离时,调整也将提前结束,并给予定额负奖励信号,该定额负奖励信号足以驱动髋臼杯到达最终目的位置。
在一个实施例中,还包括图像分割模块,用于执行以下步骤,包括:
获取待识别图像;
将所述待识别图像输入至图像分割模型的第一图像处理子模型,对所述图像数据进行下采样,识别所述图像数据的深层特征;对进行下采样后的图像数据进行上采样,将所述深层特征存储到所述图像数据中;
将提取图像特征后的图像数据输入至所述图像分割模型的第二图像处理子模型,从所述图像特征中筛选预设置信度的特征点数据,对所述特征点数据进行双线性插值计算;基于计算后的特征点数据识别所属类别;
基于所述图像分割结果生成特征图像;对所述特征图像进行多级下采样,得到符合预设分辨率的第一特征图像;分别对各级下采样的特征图像进行上采样,得到第二特征图像;基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像;基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率,作为所述图像缩放结果;
基于所述图像缩放结果确定股骨区域及骨盆区域。
在本模块中,在建立图像分割模型之前需要对患者的CT扫描数据进行预处理,具体预处理包括:使用像素级分割算法将股骨和骨盆分割出来,获取患有髋关节疾病患者的CT医学图像数据集,在CT上手动标注股骨、骨盆区域,将其作为我们的数据库。两组不同格式的医学图像数据分别按照7:3的比例划分为训练集、测试集;将二维横断面DICOM数据转换成JPG格式的图片,标注文件转换成PNG格式的图片,保存后两组数据作为神经网络的输入。
在本步骤中,建立分割神经网络模型pointrend+unet,通过unet网络用于粗分割,然后使用pointrend精确分割结果,具体步骤如图7所示。首先利用unet网络作为主干网络,对其进行粗分割,第一阶段使用4次下采样学习图像的深层特征,然后进行4次上采样以将特征图重新存储到图像中,其中每个下采样层中包括2个卷积层和1个池化层,卷积核大小为3*3,池化层中的卷积核大小为2*2,每个卷积层中的卷积核的个数为128,256,512;每个上采样层中包括1个上采样层和2个卷积层,其中卷积层的卷积核大小为3*2,上采样层中的卷积核大小为2*2,每个上采样层中的卷积核个数为512,256,128。最后一次上采样结束后设有一个的dropout层,droupout率设置为0.7。所有的卷积层后面都设有激活函数为relu函数。然后使用pointrend精确分割结果,选择一组置信度为0.5的一组点,提取被选择出来的点的特征,这些点的特征通过双线性插值Bilinear计算,使用一个小型的分类器去判断这个点属于哪个类别。这其实是等价于用一个1*1的卷积来预测,但是对于置信度接近于1或者0的点并不计算,从而提高分割的精准度。模型训练过程中,训练的batch_size为6,学习率设置为1e-4,优化器使用Adam优化器,使用的损失函数为DICE loss,将训练集全部送入网络进行训练,根据训练过程中损失函数的变化,调整训练批次的大小,最终得到各个部分的粗分割结果。进入pointrend模块后,先会使用双线性插值上采样前一步分割预测结果,然后在这个更密集的特征图中选择N个最不确定的点,比如概率接近0.5的点。然后计算这N个点的特征表示并且预测它们的labels,这个过程一直被重复,直到上采样到需要的大小。对于每个选定点的逐点特征表示,使用简单的多层感知器进行逐点预测,因为MLP预测的是各点的分割label,所以可以使用Unet粗分割任务中的loss来训练。最后训练输出股骨区域、骨盆区域。
在一个实施例中,所述数据获取模块还包括:
点云计算单元,用于计算髋臼内表面的点云,所述点云包括:从股骨区域生成的若干条依次垂直的线段与髋臼区域相交的点;
髋臼参数计算单元,用于利用髋臼内表面的点云,基于球体拟合算法计算得到髋臼的中心点位置和半径。
在本模块中,需要对髋臼内表面的点云进行计算,为计算髋臼杯的中心点和半径做准备。从股骨开始生成依次垂直线段,直到与髋臼相交时停止,则相交点构成髋臼表面的点云,如图8所示,蓝色的线段是股骨的垂直线段,红色的点是蓝色的线段与髋臼相交的点。图2所示是从三维角度看髋臼表面的点云,最后利用髋臼内表面的点云,根据球体拟合算法计算得到髋臼的中心点位置和半径,即髋臼杯的初始杯位置和杯大小。
本发明提供一种基于强化学习的髋臼杯位置调整方法,如图9所示其流程图,包括:
步骤S110、根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据。
步骤S120、将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图。
步骤S130、将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。
本发明提供的一种基于强化学习的髋臼杯位置调整方法、装置及存储介质,能够根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据;然后将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图;最后将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。本发明提供的技术方案,能够基于深度强化学习和3D原始数据对髋臼杯假体的位置进行自动定位和精准调整,相比人为放置提高了覆盖率和速度。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,DSP)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于强化学习的髋臼杯位置调整装置,其特征在于,包括:
数据获取模块,用于根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据;
视图转换模块,用于将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图;
髋臼杯调整模块,用于将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。
2.根据权利要求1所述的基于强化学习的髋臼杯位置调整装置,其特征在于,所述视图转换模块用于根据特征转换函数对所述3D原始数据进行转换:
Xt=[Vpelvis,Rsize,Pt]St=f(X)=[Cort,Sagt,Axit];
其中,Xt表示3D原始数据,Vpelvis表示骨盆的体积,Rsize表示髋臼杯的半径,Pt表示当前步长的髋臼杯的中心点位置,f(X)表示特征转换函数,[Cort,Sagt,Axit]表示在Pt处相交的冠状面、矢状面、横断面的视图。
3.根据权利要求1所述的基于强化学习的髋臼杯位置调整装置,其特征在于,所述髋臼杯调整模块还包括:
特征提取单元,用于将转换后得到的不同截面的视图数据分别输入至并行放置的特征提取器中进行特征提取,得到与不同截面的视图数据相对应的特征图像;
自由度设置单元,用于将提取到的不同特征图像分别输入至并行放置的全连接层中,并在每个全连接层中相应特征图像对应的不同节点设置若干个动作自由度;
调整信号输出单元,用于将每个全连接层中具有相同动作自由度的节点分别进行连接,输出用于执行调整动作的包含Q值的调整信号。
4.根据权利要求3所述的基于强化学习的髋臼杯位置调整装置,其特征在于,所述自由度设置单元,包括:
权重设置单元,用于针对不同截面的视图数据的特征图像,在对应的全连接层中为每个节点对应的自由度分配不同的参数权重。
5.根据权利要求3所述的基于强化学习的髋臼杯位置调整装置,其特征在于,所述髋臼杯调整模块还用于执行以下步骤,包括:
获取表示髋臼杯的初始放置位置的第一状态信息;
根据深度双网络DDQN网络模型输出的包含Q值的调整信号,执行第一调整动作,所述第一调整动作包括以下至少一种:向左移动、向右移动、向前移动、向后移动、向上移动、向下移动所述髋臼杯;
根据所述第一状态信息和所述第一调整动作生成奖励信号;
根据所述奖励信号执行第二调整动作,并生成表示完成第二调整动作时的髋臼杯的中心位置的第二状态信息;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息一致,则结束髋臼杯的中心位置的调整;
如果髋臼杯的中心位置的第二状态信息与目的位置的状态信息不一致,则继续对髋臼杯的中心位置进行调整。
所述奖励信号包括:
其中,C表示骨骼对髋臼杯的覆盖率;ω表示系数;d(·)表示欧几里得距离;Pt表示在时间步长t处的髋臼杯的中心位置;Pt-1表示在时间步长t-1处的髋臼杯的中心;Pfinal表示指定的髋臼杯中心的目的位置;T表示开始机器学习前人为设置的参数。
6.根据权利要求5所述的基于强化学习的髋臼杯位置调整装置,其特征在于,所述髋臼杯调整模块在执行动作的过程中根据奖励信号执行第二调整动作,包括:
如果当前髋臼杯的中心位置与目的位置之间的距离小于预设距离阈值时,则提供相应的正奖励信号以调整髋臼杯的中心位置与目的位置达到一致;
如果当前髋臼杯的中心位置与目的位置之间的距离大于预设距离阈值,则提供相应的负奖励信号以调整髋臼杯的中心位置与目的位置达到一致。
7.根据权利要求1所述的基于强化学习的髋臼杯位置调整装置,其特征在于,还包括图像分割模块,用于执行以下步骤,包括:
获取待识别图像;
将所述待识别图像输入至图像分割模型的第一图像处理子模型,对所述图像数据进行下采样,识别所述图像数据的深层特征;对进行下采样后的图像数据进行上采样,将所述深层特征存储到所述图像数据中;
将提取图像特征后的图像数据输入至所述图像分割模型的第二图像处理子模型,从所述图像特征中筛选预设置信度的特征点数据,对所述特征点数据进行双线性插值计算;基于计算后的特征点数据识别所属类别;
基于所述图像分割结果生成特征图像;对所述特征图像进行多级下采样,得到符合预设分辨率的第一特征图像;分别对各级下采样的特征图像进行上采样,得到第二特征图像;基于各级下采样的第一特征图像及各级上采样的第二特征图像生成合成特征图像;基于所述合成特征图像确定所述特征图像中关键点处于所述合成特征图像中的概率,作为所述图像缩放结果;
基于所述图像缩放结果确定股骨区域及骨盆区域。
8.根据权利要求7所述的基于强化学习的髋臼杯位置调整装置,其特征在于,所述数据获取模块包括:
点云计算单元,用于计算髋臼内表面的点云,所述点云包括:从股骨区域生成的若干条依次垂直的线段与髋臼区域相交的点;
髋臼参数计算单元,用于利用髋臼内表面的点云,基于球体拟合算法计算得到髋臼的中心点位置和半径。
9.一种基于强化学习的髋臼杯位置调整方法,其特征在于,包括:
根据获得的髋臼的中心点位置和半径确定髋臼杯的初始放置位置、中心位置和髋臼杯的型号,并将骨盆的体积、髋臼杯的中心位置和髋臼杯的型号作为3D原始数据;
将所述3D原始数据转换为不同截面的视图数据,所述视图数据包括冠状面视图、矢状面视图和横断面视图;
将转换后的不同截面的所述视图数据输入到训练好的深度双网络DDQN网络模型,并根据训练好的深度双网络DDQN网络模型输出的调整信号调整所述髋臼杯的位置。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求9所述的基于强化学习的髋臼杯位置调整方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111020824.1A CN113962927B (zh) | 2021-09-01 | 2021-09-01 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
PCT/CN2022/110971 WO2023029896A1 (zh) | 2021-09-01 | 2022-08-08 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111020824.1A CN113962927B (zh) | 2021-09-01 | 2021-09-01 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962927A true CN113962927A (zh) | 2022-01-21 |
CN113962927B CN113962927B (zh) | 2022-07-12 |
Family
ID=79460758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111020824.1A Active CN113962927B (zh) | 2021-09-01 | 2021-09-01 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113962927B (zh) |
WO (1) | WO2023029896A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494183A (zh) * | 2022-01-25 | 2022-05-13 | 哈尔滨医科大学附属第一医院 | 一种基于人工智能的髋臼半径自动测量方法及系统 |
WO2023029896A1 (zh) * | 2021-09-01 | 2023-03-09 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
CN116898583A (zh) * | 2023-06-21 | 2023-10-20 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的骨科手术机器人智能磨锉控制方法及装置 |
CN116993824A (zh) * | 2023-07-19 | 2023-11-03 | 北京长木谷医疗科技股份有限公司 | 髋臼旋转中心计算方法、装置、设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104524693A (zh) * | 2014-12-15 | 2015-04-22 | 电子科技大学 | 一种植入型心律转复除颤器icd的电极植入评估装置及系统 |
CN109741360A (zh) * | 2019-01-07 | 2019-05-10 | 上海联影医疗科技有限公司 | 一种骨关节分割方法、装置、终端及可读介质 |
CN109903269A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
US20190380720A1 (en) * | 2016-10-27 | 2019-12-19 | The First Affiliated Hospital Of Sun Yat-Sen University | Positioning guiding device and positioning method thereof for acetabulum reaming and acetabular cup prosthesis implantation |
CN110648337A (zh) * | 2019-09-23 | 2020-01-03 | 武汉联影医疗科技有限公司 | 髋关节分割方法、装置、电子设备和存储介质 |
CN111179350A (zh) * | 2020-02-13 | 2020-05-19 | 张逸凌 | 基于深度学习的髋关节图像处理方法及计算设备 |
CN111223146A (zh) * | 2020-02-13 | 2020-06-02 | 张逸凌 | 对髋关节图像的处理方法及计算设备 |
US20210015560A1 (en) * | 2018-09-12 | 2021-01-21 | Orthogrid Systems Inc. | Artificial intelligence intra-operative surgical guidance system and method of use |
CN112435275A (zh) * | 2020-12-07 | 2021-03-02 | 中国电子科技集团公司第二十研究所 | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 |
CN112971981A (zh) * | 2021-03-02 | 2021-06-18 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换翻修术前规划方法和设备 |
CN113298786A (zh) * | 2021-05-26 | 2021-08-24 | 北京长木谷医疗科技有限公司 | 图像识别及模型训练的方法、真臼位置识别的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473193A (zh) * | 2019-08-12 | 2019-11-19 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损的检测方法、检测装置、存储介质和处理器 |
CN111882531B (zh) * | 2020-07-15 | 2021-08-17 | 中国科学技术大学 | 髋关节超声图像自动分析方法 |
CN113962927B (zh) * | 2021-09-01 | 2022-07-12 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
-
2021
- 2021-09-01 CN CN202111020824.1A patent/CN113962927B/zh active Active
-
2022
- 2022-08-08 WO PCT/CN2022/110971 patent/WO2023029896A1/zh unknown
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104524693A (zh) * | 2014-12-15 | 2015-04-22 | 电子科技大学 | 一种植入型心律转复除颤器icd的电极植入评估装置及系统 |
US20190380720A1 (en) * | 2016-10-27 | 2019-12-19 | The First Affiliated Hospital Of Sun Yat-Sen University | Positioning guiding device and positioning method thereof for acetabulum reaming and acetabular cup prosthesis implantation |
US20210015560A1 (en) * | 2018-09-12 | 2021-01-21 | Orthogrid Systems Inc. | Artificial intelligence intra-operative surgical guidance system and method of use |
CN109741360A (zh) * | 2019-01-07 | 2019-05-10 | 上海联影医疗科技有限公司 | 一种骨关节分割方法、装置、终端及可读介质 |
CN109903269A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
CN110648337A (zh) * | 2019-09-23 | 2020-01-03 | 武汉联影医疗科技有限公司 | 髋关节分割方法、装置、电子设备和存储介质 |
CN111179350A (zh) * | 2020-02-13 | 2020-05-19 | 张逸凌 | 基于深度学习的髋关节图像处理方法及计算设备 |
CN111223146A (zh) * | 2020-02-13 | 2020-06-02 | 张逸凌 | 对髋关节图像的处理方法及计算设备 |
CN112435275A (zh) * | 2020-12-07 | 2021-03-02 | 中国电子科技集团公司第二十研究所 | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 |
CN112971981A (zh) * | 2021-03-02 | 2021-06-18 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换翻修术前规划方法和设备 |
CN113298786A (zh) * | 2021-05-26 | 2021-08-24 | 北京长木谷医疗科技有限公司 | 图像识别及模型训练的方法、真臼位置识别的方法及装置 |
Non-Patent Citations (5)
Title |
---|
JIABANG HUO 等: "Value of 3D preoperative planning for primary total hip arthroplasty based on artificial intelligence technology", 《JOURNAL OF ORTHOPAEDIC SURGERY AND RESEARCH》 * |
凌遵龙 等: "计算机辅助人工髋关节置换术前规划系统及应用", 《中国现代医生》 * |
吴东 等: "人工智能辅助全髋关节置换术三维规划系统的研发及临床应用研究", 《中国修复重建外科杂志》 * |
汪轶平: "计算机辅助髋关节假体规划设计及手术导航关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
范应方 等: "三维可视化技术在精准肝切除术前规划中的应用", 《中华肝脏外科手术学电子杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023029896A1 (zh) * | 2021-09-01 | 2023-03-09 | 北京长木谷医疗科技有限公司 | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 |
CN114494183A (zh) * | 2022-01-25 | 2022-05-13 | 哈尔滨医科大学附属第一医院 | 一种基于人工智能的髋臼半径自动测量方法及系统 |
CN114494183B (zh) * | 2022-01-25 | 2024-04-02 | 哈尔滨医科大学附属第一医院 | 一种基于人工智能的髋臼半径自动测量方法及系统 |
CN116898583A (zh) * | 2023-06-21 | 2023-10-20 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的骨科手术机器人智能磨锉控制方法及装置 |
CN116898583B (zh) * | 2023-06-21 | 2024-04-26 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的骨科手术机器人智能磨锉控制方法及装置 |
CN116993824A (zh) * | 2023-07-19 | 2023-11-03 | 北京长木谷医疗科技股份有限公司 | 髋臼旋转中心计算方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023029896A1 (zh) | 2023-03-09 |
CN113962927B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962927B (zh) | 基于强化学习的髋臼杯位置调整方法、装置及存储介质 | |
CN112971981B (zh) | 基于深度学习的全髋关节图像处理方法和设备 | |
CN113689402B (zh) | 基于深度学习的股骨髓腔形态识别方法、装置及存储介质 | |
CN113450294A (zh) | 多模态医学图像配准融合方法、装置及电子设备 | |
CN113506334B (zh) | 基于深度学习的多模态医学图像融合方法及系统 | |
CN111888059B (zh) | 基于深度学习与x线的全髋关节图像处理方法及装置 | |
CN114419618B (zh) | 基于深度学习的全髋关节置换术前规划系统 | |
CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
CN107230204A (zh) | 一种从胸部ct图像中提取肺叶的方法及装置 | |
CN113298786B (zh) | 图像识别及模型训练的方法、真臼位置识别的方法及装置 | |
CN111768382B (zh) | 一种基于肺结节生长形态的交互式分割方法 | |
WO2024001140A1 (zh) | 一种椎体亚区域分割方法、装置及存储介质 | |
CN112614169B (zh) | 基于深度学习网络的2d/3d脊椎ct层级配准方法 | |
CN113076987B (zh) | 骨赘识别方法、装置、电子设备及存储介质 | |
WO2023024883A1 (zh) | 基于深度强化学习的股骨柄放置方法、装置及电子设备 | |
CN110288611A (zh) | 基于注意力机制和全卷积神经网络的冠状血管分割方法 | |
CN114742747A (zh) | 基于深度学习的髋关节置换术后影像的评估方法及系统 | |
CN114494183A (zh) | 一种基于人工智能的髋臼半径自动测量方法及系统 | |
CN114191075B (zh) | 一种个性化膝关节假体模型的快速构建方法及系统 | |
CN114648492A (zh) | 基于深度学习的全髋关节术后偏心距的计算方法及系统 | |
CN115252233B (zh) | 基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法 | |
CN113838048A (zh) | 一种十字交叉韧带术前止点中心定位及韧带长度计算方法 | |
CN112750131A (zh) | 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法 | |
KR102570004B1 (ko) | 인공신경망 기반의 척추 진단 시스템 및 그 정보 제공 방법 | |
CN114663363B (zh) | 一种基于深度学习的髋关节医学图像处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: Beijing Changmugu Medical Technology Co.,Ltd. Patentee after: Zhang Yiling Address before: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd. Patentee before: Zhang Yiling |
|
CP01 | Change in the name or title of a patent holder |