CN114431957A - 基于深度学习的全膝关节置换术后翻修术前规划方法 - Google Patents
基于深度学习的全膝关节置换术后翻修术前规划方法 Download PDFInfo
- Publication number
- CN114431957A CN114431957A CN202210377296.3A CN202210377296A CN114431957A CN 114431957 A CN114431957 A CN 114431957A CN 202210377296 A CN202210377296 A CN 202210377296A CN 114431957 A CN114431957 A CN 114431957A
- Authority
- CN
- China
- Prior art keywords
- image
- preoperative
- knee
- knee joint
- deep learning
- 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
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 63
- 238000001356 surgical procedure Methods 0.000 claims abstract description 36
- 210000003127 knee Anatomy 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 43
- 238000013150 knee replacement Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 20
- 210000000689 upper leg Anatomy 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000002746 orthostatic effect Effects 0.000 claims description 10
- 210000002082 fibula Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 210000003141 lower extremity Anatomy 0.000 claims description 5
- 210000003205 muscle Anatomy 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000011882 arthroplasty Methods 0.000 claims description 2
- 230000002980 postoperative effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000002303 tibia Anatomy 0.000 description 5
- 238000002513 implantation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000004394 hip joint Anatomy 0.000 description 2
- 210000003407 lower extremity of femur Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 210000004417 patella Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000011883 total knee arthroplasty Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000000588 acetabulum Anatomy 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 210000001699 lower leg Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000426 patellar ligament Anatomy 0.000 description 1
- 210000002967 posterior cruciate ligament Anatomy 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
Landscapes
- Health & Medical Sciences (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Prostheses (AREA)
Abstract
本发明提供一种基于深度学习的全膝关节置换术后翻修术前规划方法,将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法,可以准确快速识别出第一膝关节假体位置和规格型号,测量时间短且准确性高,从而缩短手术时间,为膝关节翻修术提供了更精准的术前数据支持。
Description
技术领域
本发明涉及膝关节翻修术技术领域,尤其涉及一种基于深度学习的全膝关节置换术后翻修术前规划方法及系统。
背景技术
膝关节置换术后,患者的膝关节可能出现松动、感染、疼痛、屈伸功能受限等症状,进而提示髌骨轨迹不正,则需重新对膝关节假体进行翻修。即把膝关节假体取出,重新安装一个新的膝关节假体。因为初次膝关节置换术的影响,导致膝关节的正常解剖结构被破坏,且存在较多的骨量丢失。在膝关节翻修手术中,膝关节假体的位置和规格型号难以确定,导致手术时间变长,且手术风险和并发症风险较高。
发明内容
本发明提供一种基于深度学习的全膝关节置换术后翻修术前规划方法及系统,用以解决现有技术中膝关节翻修术术前膝关节假体的位置和规格型号难以确定的技术问题。
本发明提供一种基于深度学习的全膝关节置换术后翻修术前规划方法,包括:
将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
在一个实施例中,所述基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置,包括:
基于所述术前膝关节假体图像中第二膝关节假体在膝关节中的位置,确定预期膝关节假体图像中所述第一膝关节假体在膝关节中的位置;
基于关节线调整长度和所述第二膝关节假体,确定所述第一膝关节假体的规格型号;
其中,所述关节线调整长度基于所述术前关节线图像中的第一膝关节关节线的长度和预期关节线图像中的第二膝关节关节线的长度确定。
在一个实施例中,所述第一膝关节关节线的长度为以下中的任一项:
术前膝关节正位图像中腓骨头最高点到第一连线的垂线段长度;
所述术前膝关节正位图像中股骨内收肌结节到所述第一连线的垂线段长度;
术前膝关节侧位图像中胫骨结节到第二连线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨内侧髁平面所在直线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨外侧髁平面所在直线的垂线段长度;
其中,所述术前膝关节图像包括所述术前膝关节正位图像和所述术前膝关节侧位图像;所述第一连线为股骨下端内侧髁关节面的最低点与股骨下端外侧髁关节面的最低点的连线;所述第二连线为经过股骨最低点且与胫骨平台切线平行的直线。
在一个实施例中,所述深度学习模型通过如下方式训练:
获取膝关节图像数据集;所述膝关节图像数据集包括标注假体区域的下肢全长图像和标注膝关节关节线的膝关节图像;
将所述膝关节图像数据集按照预设比例划分为训练数据集、验证数据集和测试数据集;
基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型。
在一个实施例中,所述基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型,包括:
通过深度可分离卷积对所述训练数据集进行特征提取,并采用空间金字塔池化层SPP对提取的特征进行融合,获取多级特征;
基于所述多级特征,确定模型输出结果;
基于所述模型输出结果、所述训练数据集、所述验证数据集和所述测试数据集,计算损失函数;
基于所述损失函数,调整所述深度学习模型的参数,直至获得训练完成的所述深度学习模型。
在一个实施例中,所述深度可分离卷积包括逐通道卷积和1*1卷积。
本发明还提供一种基于深度学习的全膝关节置换术后翻修术前规划系统,包括:
图像处理模块,用于将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
确定模块,用于基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于深度学习的全膝关节置换术后翻修术前规划方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的全膝关节置换术后翻修术前规划方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习的全膝关节置换术后翻修术前规划方法。
本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法,通过深度学习模型可以准确快速识别出第一膝关节假体位置和规格型号,测量时间短且准确性高,从而缩短手术时间,为膝关节翻修术提供了更精准的术前数据支持。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的流程示意图;
图2是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的膝关节关节线示意图之一;
图3是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的膝关节关节线示意图之二;
图4是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的膝关节关节线示意图之三;
图5是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的膝关节关节线示意图之四;
图6是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的膝关节关节线示意图之五;
图7是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的标准卷积示意图;
图8是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的深度可分离卷积示意图;
图9是应用本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的深度学习模型结构示意图;
图10是本发明提供的基于深度学习的全膝关节置换术后翻修术前规划系统的结构示意图;
图11是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
图1为本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的流程示意图。参照图1,本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法包括:步骤110和步骤120。
本发明提供一种基于深度学习的全膝关节置换术后翻修术前规划方法,包括:
步骤110、将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
步骤120、基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)等,本发明不作具体限定。
下面以计算机执行本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法为例,详细说明本发明的技术方案。
可选地,在步骤110中,将目标患者的术前膝关节图像输入至训练完成的深度学习模型,输出两部分图像,分别为术前膝关节假体图像以及术前关节线图像。目标患者为需要进行膝关节翻修术的患者。目标患者的术前膝关节图像可以是不同类型的医学图像,例如可以包括X线片、电子计算机断层扫描(Computed Tomography,CT)图像或磁共振(MagneticResonance Imaging,MRI)图像等。术前膝关节图像中,将膝关节假体作为前景,其余骨肉组织作为背景。
需要说明的是,深度学习模型是一种应用类似于大脑神经突触联接的结构进行信息化处理的数学计算模型,其由大量的节点(或称神经元)和之间相互联接构成,且每个节点代表一种特定的输出函数,称为激励函数;每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,相当于人工神经网络的记忆;网络的输出则依赖神经网络的连接方式、权重值和激励函数的不同而不同。本发明实施例对深度学习模型的网络结构不作具体限定。
可选地,在步骤120中,第一膝关节假体为膝关节翻修术术前规划的新假体。全膝置换翻修术的目的在于尽量保留患膝骨量、纠正冠状面和矢状面的对线、恢复患膝屈伸活动的平衡、改善韧带的稳定性和获得假体骨界面的稳定性等。因此,需要精准规划新的膝关节假体。
在实际执行中,深度学习模型可以根据术前膝关节图像(模型输入的原始图像),识别出术前膝关节图像中膝关节假体的位置,并将膝关节假体图像从术前膝关节图像分割出来,从而得到术前膝关节假体图像。
基于术前膝关节图像,深度学习模型确定的假体位置相对于人工标注的假体位置准确性更高,还能够根据分割出来的膝关节假体图像,快速地与假体模型库中的假体进行匹配和模拟,从而可以确定第一膝关节假体的位置,同时还能初步筛选第一膝关节假体的规格型号。
需要说明的是,第一膝关节假体的位置指的是在预期膝关节图像中膝关节假体的位置。第一膝关节假体的位置可以为膝关节翻修术前假体植入位置的确定提供参考数据,以更快的实现术前规划。
可选地,根据深度学习模型输出的术前关节线图像可以进一步对第一膝关节假体的规格型号进行规划和确定。
可以理解的是,在计算机中存储有假体模型库,基于术前关节线图像,可以确定不同规格型号的膝关节假体在预期膝关节图像中的适配程度,进而选出最适配的假体规格型号。
本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法,通过深度学习模型可以准确快速识别出第一膝关节假体位置和规格型号,测量时间短且准确性高,从而缩短手术时间,为膝关节翻修术提供了更精准的术前数据支持。
在一个实施例中,所述基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置,包括:
基于所述术前膝关节假体图像中第二膝关节假体在膝关节中的位置,确定预期膝关节假体图像中所述第一膝关节假体在膝关节中的位置;
基于关节线调整长度和所述第二膝关节假体,确定所述第一膝关节假体的规格型号;
其中,所述关节线调整长度基于所述术前关节线图像中的第一膝关节关节线的长度和预期关节线图像中的第二膝关节关节线的长度确定。
需要说明的是,第二膝关节假体为术前膝关节图像中的假体。预期膝关节假体图像可以是术前规划的膝关节相关数据中包含的数据。
可选地,根据术前膝关节假体图像中第二膝关节假体在膝关节中的位置以及术前规划的膝关节相关数据,可以确定预期膝关节假体图像中第一膝关节假体在膝关节中的位置。即为以第二膝关节假体在膝关节中的位置为基础,规划第一膝关节假体在膝关节中的位置。
其中,膝关节假体在膝关节中的位置可以根据膝关节假体的轮廓线或者是膝关节假体关键点确定。
膝关节假体关键点可以包括髋关节中心点、膝关节中心点、髁间棘的中心点、踝关节中心点,还可以包括股骨内髁凹点、股骨外髁最高点、股骨内外后髁最低点、胫骨平台内侧低点和外侧高点、后交叉韧带中点和胫骨结节内侧缘点、股骨远端最低点等。
可选地,对术前关节线图像进行图像变换,得到调整后的关节线图像,即预期关节线图像。例如:可以根据手术需求,通过图像编辑工具对术前膝关节图像中的第一膝关节关节线进行编辑,得到预期关节线图像中的第二膝关节关节线,再对应调整第一膝关节假体的型号规格。
预期关节线图像中标注有第二膝关节关节线,预期关节线图像中的第二膝关节关节线可以是术前规划的膝关节相关数据中包含的数据,也可以是人工标注或自动标注的膝关节关节线。
根据预期关节线图像中的第二膝关节关节线和术前关节线图像中的第一膝关节关节线,可以确定关节线调整长度。
可以理解的是,第一膝关节关节线与第二膝关节关节线为不同关节线图像中针对于同一部位的关节线。则可以分别确定第一膝关节关节线的长度和第二膝关节关节线的长度,进而确定二者的差值,该差值即为关节线调整长度。
根据关节线调整长度以及预期关节线图像的缩放比例等参数,分别计算不同规格型号的膝关节假体在预期关节线图像中的模拟图像,将适配程度最高的膝关节假体的规格型号作为第一膝关节假体的规格型号。
在实际执行中,基于关节线调整长度,可以通过模拟调整第一膝关节假体的厚度等参数或者增加垫块等方式,使膝关节关节线可以得到对应的调整,即将第一膝关节关节线调整为第二膝关节关节线,同时能够确定第一膝关节假体的规格型号。
本发明实施例提供的基于深度学习的全膝关节置换术后翻修术前规划方法,通过深度学习模型可以确定目标假体的植入位置,计算量小且确定速度快,能够准确快速的实现第一膝关节假体在该植入位置的模拟;还可以根据关节线调整长度进行膝关节假体的匹配,确定最匹配的假体规格型号,为膝关节假体的植入提供准确率高的术前规划数据。
在一个实施例中,所述第一膝关节关节线的长度为以下中的任一项:
术前膝关节正位图像中腓骨头最高点到第一连线的垂线段长度;
所述术前膝关节正位图像中股骨内收肌结节到所述第一连线的垂线段长度;
术前膝关节侧位图像中胫骨结节到第二连线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨内侧髁平面所在直线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨外侧髁平面所在直线的垂线段长度;
其中,所述术前膝关节图像包括所述术前膝关节正位图像和所述术前膝关节侧位图像;所述第一连线为股骨下端内侧髁关节面的最低点与股骨下端外侧髁关节面的最低点的连线;所述第二连线为经过股骨最低点且与胫骨平台切线平行的直线。
可选地,通过识别全膝关节置换术后需要翻修的患者的膝关节及假体(主要包括:股骨远端关节面、股骨侧假体、胫骨近端关节面、胫骨侧假体等部位),可以确定不同膝关节关节线的变化,进而精准规划所需的第一膝关节假体。可以理解的是,翻修后的关节线的长度可以基于翻修前的关节线的长度进行灵活调整,本发明实施例对翻修后的关节线不作具体限定
可选地,本发明实施例可以通过如下五个参考点或参考部位测量翻修术前后关节线的变化:
1、以腓骨头为参考点测量翻修术前后关节线的变化。
如图2所示,在膝关节X线正位片上,由腓骨头最高点向股骨下端内侧髁关节面最远端(即最低点)与股骨下端外侧髁关节面最远端(即最低点)的连线作1条垂线。垂线段即为关节线,垂线段长度即为关节线长度。翻修前后关节线长度分别用L2和L2'来表示。关节线调整长度即为L2-L2'。在图2中,L2和L2'仅用作示例,不代表翻修前后的关节线一定是相同的。
需要说明的是,股骨是人体最长的管状骨。股骨上端以股骨头与髋臼构成髋关节,股骨下端与膑骨、胫骨上端构成膝关节。胫骨是小腿内侧的长骨,分一体两端。胫骨近侧端(胫骨上端)膨大,向两侧突出成为内侧踝与外侧髁。
2、以胫骨内收肌止点为参照点测量翻修术前后关节线的变化。
如图3所示,在膝关节X线正位片上,由内侧髁干骺段骨皮质拐点处(股骨内收肌结节),向股骨内侧髁关节面最远端(即最低点)与外侧髁关节面最远端(即最低点)的连线作1条垂线。垂线段即为关节线,垂线段长度即为关节线长度。翻修前后关节线长度分别用L4和L4'来表示。关节线调整长度即为L4-L4'。在图3中,L4和L4'仅用作示例,不代表翻修前后的关节线一定是相同的。
3、以胫骨结节为参照点测量翻修术前后关节线的变化。
如图4所示,在膝关节X线侧位片中,确定胫骨平台切线l(胫骨前端与后端皮质的连线)。先作一条过股骨最低点作与胫骨平台切线的平行线l',由胫骨结节凸起向上述l'线作1条垂线。垂线段即为关节线,垂线段长度即为关节线长度。翻修前后关节线长度分别用L6和L6'来表示。关节线调整长度即为L6-L6'。在图4中,L6和L6'仅用作示例,不代表翻修前后的关节线一定是相同的。
需要说明的是,胫骨结节是胫骨上端前方突出的隆起,位于膝关节下部,它是髌韧带的附着点,是重要的体表标志。
4、以股骨内侧髁平面和胫骨结节为参照部位测量翻修术前后关节线的变化。
如图5所示,在膝关节X线侧位片中,由胫骨结节突起向股骨后内侧髁平面所在直线作1条垂线。垂线段即为关节线,垂线段长度即为关节线长度。翻修前后关节线长度分别用L8和L8'来表示。关节线调整长度即为L8-L8'。在图5中,L8和L8'仅用作示例,不代表翻修前后的关节线一定是相同的。
5、以股骨外侧髁平面和胫骨结节为参照部位测量翻修术前后关节线的变化。
如图6所示,在膝关节X线侧位片中,由胫骨结节突起向股骨后外侧髁平面所在直线作1条垂线。垂线段即为关节线,垂线段长度即为关节线长度。翻修前后关节线长度分别用L10和L10'来表示。关节线调整长度即为L10-L10'。在图6中,L10和L10'仅用作示例,不代表翻修前后的关节线一定是相同的。
本发明实施例提供的基于深度学习的全膝关节置换术后翻修术前规划方法,通过确定膝关节关节线,进而可以确定膝关节翻修术中关节线需要调整的长度,以使关节线可以维持在正确范围内,保证第一膝关节假体的稳定性。
在一个实施例中,所述深度学习模型通过如下方式训练:
获取膝关节图像数据集;所述膝关节图像数据集包括标注假体区域的下肢全长图像和标注膝关节关节线的膝关节图像;
将所述膝关节图像数据集按照预设比例划分为训练数据集、验证数据集和测试数据集;
基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型。
可选地,在相关技术中,基于传统的图像处理方法,可以提取出假体图像,例如包括:阈值分割法。由于传统的阈值分割法对于图像的质量要求较高,所以图像提取效果不具有稳定性。在图片对比度和亮度范围基本一致的情况下,通过阈值分割法可以获取一些准确性较高的分割结果。上述分割结果也可以加入至膝关节图像数据集中进行模型训练。
可选地,在本步骤中,先获取大量患者膝关节翻修术的术前下肢全长医学图像和标注膝关节关节线的膝关节医学图像,例如可以是膝关节CT横截面数据集。由于在训练深度学习模型时,需要将训练结果与真实值不断迭代来减小误差,提高模型预测准确性。所以在模型训练之前,可以将膝关节图像数据集按照预设比例分为训练数据集、验证数据集、测试数据集,并将膝关节图像数据集作为初始深度学习模型的输入。预设比例可以为6:2:2。
可选地,在将膝关节图像数据集按照预设比例分配之前,可以先对膝关节图像数据集进行预处理,预处理操作包括对图像做翻转、gamma变换、线性变换、少许旋转操作等,以适应不同对比度、不同体位的情况。对膝关节图像数据集做数据增强后,再将膝关节图像数据集划分为训练数据集、验证数据集、测试数据集。这样的数据来源可以减少人工标注的成本。
可选地,根据不同的神经网络结构搭建初始深度学习模型,并将训练集输入至深度学习模型进行训练,直至各神经网络收敛。再根据测试集对初始深度学习模型进行优化,得到训练完成的深度学习模型,并确定深度学习模型的权重参数。再将验证集输入至训练完成的深度学习模型中进行验证,验证深度学习模型的模型输出结果,直至神经网络收敛达到预期目标,最终完成训练。
本发明提供的基于深度学习的全膝关节置换术后翻修术前规划方法,通过膝关节数据集训练深度学习模型,从而使得深度学习模型可以精确识别膝关节假体和准确确定膝关节关节线,且处理速度非常块,提高了膝关节图像处理效率。
在一个实施例中,所述基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型,包括:
通过深度可分离卷积对所述训练数据集进行特征提取,并采用空间金字塔池化层SPP对提取的特征进行融合,获取多级特征;
基于所述多级特征,确定模型输出结果;
基于所述模型输出结果、所述训练数据集、所述验证数据集和所述测试数据集,计算损失函数;
基于所述损失函数,调整所述深度学习模型的参数,直至获得训练完成的所述深度学习模型。
可选地,深度学习模型结构以Mobile Net轻量化模型的基本构成操作作为特征提取器。Mobile Net的基本构成操作是深度可分离卷积。深度可分离卷积是一种可分解卷积操作。深度可分离卷积和标准卷积不同,对于标准卷积其卷积核是用在所有的输入通道上,而深度可分离卷积是针对每个输入通道采用不同的卷积核,就是说一个卷积核对应一个输入通道。
其中,标准卷积和深度可分离卷积模型参数运算量的对比如下:
例如:对于一个3*3卷积Conv来说,深度可分离卷积参数量是标准卷积参数量的1/8。
在一个实施例中,所述深度可分离卷积包括逐通道卷积和1*1卷积。
可选地,深度可分离卷积由逐通道卷积和1*1卷积共同构成,逐通道卷积可以减少参数量,1*1卷积可以改变通道数。首先是采用逐通道卷积对不同输入通道分别进行卷积,然后采用1*1卷积将上面的输出进行结合,整体效果和一个标准卷积类似,但是会大大减少计算量和模型参数量。
本发明实施例提供的基于深度学习的全膝关节置换术后翻修术前规划方法,可以通过两种卷积级联,可以增加模型非线性,还可以增强深度学习模型的特征提取能力,同时可以提高模型测试时的推理速度。
可选地,基于模型输出结果、训练数据集、验证数据集和测试数据集,在训练过程中使用损失函数进行误差计算,并使用反向传播算法,不断更新模型的权重参数,直至神经网络收敛达到预期目标,最终完成训练。在实际执行中,损失函数采用Dice loss+Focalloss,可以有效缓解Dice导致模型训练反向传播过程中的震荡问题,加速收敛。
需要说明的是,Dice Loss对正负样本严重不平衡的场景有着不错的性能,训练过程中更侧重对前景区域的挖掘。Dice Loss是一种区域相关的loss,像素点的loss以及梯度值不仅和该点的label以及预测值相关,和其他点的label以及预测值也相关。Focal Loss使模型可以更"放松"地预测事物,而无需80-100%确信此对象是“某物”。简而言之,FocalLoss模型提供了更多的自由,可以在进行预测时承担一些风险。这在处理高度不平衡的数据集时尤其重要,因为在某些情况下(例如癌症检测),即使预测结果为假阳性也可接受,确实需要模型承担风险并尽量进行预测。特别是在“对象检测”的情况下,大多数像素通常都是背景,图像中只有很少数的像素具有我们感兴趣的对象。
可选地,深度学习模型还包括SPP单元,SPP单元可以增加模型的感受野,并提取的多个感受野的特征进行融合堆叠,可以充分提取出多级特征,有利于后续特征的还原。
可选地,深度学习模型采用Adam优化器,Adam结合自适应学习率的梯度下降算法(Adagrad)和动量梯度下降算法的优点,既能适应稀疏梯度(即自然语言和计算机视觉问题),又能缓解梯度震荡的问题。
可选地,膝关节假体分割评估指标为Dice。
本发明实施例提供的基于深度学习的全膝关节置换术后翻修术前规划方法,通过获取深度学习模型,可以提高膝关节图像处理速度,还可以提高膝关节图像处理准确性,进而可以减少测量时间,同时能获取一致的效果。
在一个实施例中,本发明实施例中的深度学习模型如图9所示。
模块910包括:
Depthwise 3*3Conv+BN+ReLU+1*1Conv+BN+ReLU。
其中,深度卷积Depthwise Conv的一个卷积核负责一个通道,一个通道只被一个卷积核卷积。批标准化(Batch Normalization,BN)也属于神经网络的一层,和普通的数据标准化类似,是将分散的数据统一的一种做法,也是优化神经网络的一种方法。修正线性单元(Rectified Linear Unit,ReLU)为神经元的激活函数。1*1 Conv即为1*1卷积。
可选地,模块911包括:池化操作Max pooling。模块912包括:1*1 Conv。模块913包括:反卷积deconv。模块914包括:softmax,softmax用于进行数据归一化处理。
下面对本发明提供的基于深度学习的全膝关节置换术后翻修术前规划系统进行描述,下文描述的基于深度学习的全膝关节置换术后翻修术前规划系统与上文描述的基于深度学习的全膝关节置换术后翻修术前规划方法可相互对应参照。
图10为本发明提供的基于深度学习的全膝关节置换术后翻修术前规划系统的结构示意图。参照图10,本发明提供的基于深度学习的全膝关节置换术后翻修术前规划系统包括:图像处理模块1010和确定模块1020。
图像处理模块1010,用于将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
确定模块1020,用于基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
本发明提供的基于深度学习的全膝关节置换术后翻修术前规划系统,通过深度学习模型可以准确快速识别出第一膝关节假体位置和规格型号,测量时间短且准确性高,从而缩短手术时间,为膝关节翻修术提供了更精准的术前数据支持。
在一个实施例中,所述确定模块1020,具体用于:
基于所述术前膝关节假体图像中第二膝关节假体在膝关节中的位置,确定预期膝关节假体图像中所述第一膝关节假体在膝关节中的位置;
基于关节线调整长度和所述第二膝关节假体,确定所述第一膝关节假体的规格型号;
其中,所述关节线调整长度基于所述术前关节线图像中的第一膝关节关节线的长度和预期关节线图像中的第二膝关节关节线的长度确定。
在一个实施例中,所述第一膝关节关节线的长度为以下中的任一项:
术前膝关节正位图像中腓骨头最高点到第一连线的垂线段长度;
所述术前膝关节正位图像中股骨内收肌结节到所述第一连线的垂线段长度;
术前膝关节侧位图像中胫骨结节到第二连线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨内侧髁平面所在直线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨外侧髁平面所在直线的垂线段长度;
其中,所述术前膝关节图像包括所述术前膝关节正位图像和所述术前膝关节侧位图像;所述第一连线为股骨下端内侧髁关节面的最低点与股骨下端外侧髁关节面的最低点的连线;所述第二连线为经过股骨最低点且与胫骨平台切线平行的直线。
在一个实施例中,所述图像处理模块1010,具体用于:
获取膝关节图像数据集;所述膝关节图像数据集包括标注假体区域的下肢全长图像和标注膝关节关节线的膝关节图像;
将所述膝关节图像数据集按照预设比例划分为训练数据集、验证数据集和测试数据集;
基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型。
在一个实施例中,所述图像处理模块1010,还具体用于:
通过深度可分离卷积对所述训练数据集进行特征提取,并采用空间金字塔池化层SPP对提取的特征进行融合,获取多级特征;
基于所述多级特征,确定模型输出结果;
基于所述模型输出结果、所述训练数据集、所述验证数据集和所述测试数据集,计算损失函数;
基于所述损失函数,调整所述深度学习模型的参数,直至获得训练完成的所述深度学习模型。
在一个实施例中,所述深度可分离卷积包括逐通道卷积和1*1卷积。
图11示例了一种电子设备的实体结构示意图,如图11所示,该电子设备可以包括:处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令,以执行基于深度学习的全膝关节置换术后翻修术前规划方法,该方法包括:
将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
此外,上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于深度学习的全膝关节置换术后翻修术前规划方法,该方法包括:
将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于深度学习的全膝关节置换术后翻修术前规划方法,该方法包括:
将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (9)
1.一种基于深度学习的全膝关节置换术后翻修术前规划方法,其特征在于,包括:
将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
2.根据权利要求1所述的基于深度学习的全膝关节置换术后翻修术前规划方法,其特征在于,所述基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置,包括:
基于所述术前膝关节假体图像中第二膝关节假体在膝关节中的位置,确定预期膝关节假体图像中所述第一膝关节假体在膝关节中的位置;
基于关节线调整长度和所述第二膝关节假体,确定所述第一膝关节假体的规格型号;
其中,所述关节线调整长度基于所述术前关节线图像中的第一膝关节关节线的长度和预期关节线图像中的第二膝关节关节线的长度确定。
3.根据权利要求2所述的基于深度学习的全膝关节置换术后翻修术前规划方法,其特征在于,所述第一膝关节关节线的长度为以下中的任一项:
术前膝关节正位图像中腓骨头最高点到第一连线的垂线段长度;
所述术前膝关节正位图像中股骨内收肌结节到所述第一连线的垂线段长度;
术前膝关节侧位图像中胫骨结节到第二连线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨内侧髁平面所在直线的垂线段长度;
所述术前膝关节侧位图像中所述胫骨结节到股骨外侧髁平面所在直线的垂线段长度;
其中,所述术前膝关节图像包括所述术前膝关节正位图像和所述术前膝关节侧位图像;所述第一连线为股骨下端内侧髁关节面的最低点与股骨下端外侧髁关节面的最低点的连线;所述第二连线为经过股骨最低点且与胫骨平台切线平行的直线。
4.根据权利要求1所述的基于深度学习的全膝关节置换术后翻修术前规划方法,其特征在于,所述深度学习模型通过如下方式训练:
获取膝关节图像数据集;所述膝关节图像数据集包括标注假体区域的下肢全长图像和标注膝关节关节线的膝关节图像;
将所述膝关节图像数据集按照预设比例划分为训练数据集、验证数据集和测试数据集;
基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型。
5.根据权利要求4所述的基于深度学习的全膝关节置换术后翻修术前规划方法,其特征在于,所述基于所述训练数据集、所述验证数据集和所述测试数据集,对初始深度学习模型进行训练,获得所述深度学习模型,包括:
通过深度可分离卷积对所述训练数据集进行特征提取,并采用空间金字塔池化层SPP对提取的特征进行融合,获取多级特征;
基于所述多级特征,确定模型输出结果;
基于所述模型输出结果、所述训练数据集、所述验证数据集和所述测试数据集,计算损失函数;
基于所述损失函数,调整所述深度学习模型的参数,直至获得训练完成的所述深度学习模型。
6.根据权利要求5所述的基于深度学习的全膝关节置换术后翻修术前规划方法,其特征在于,所述深度可分离卷积包括逐通道卷积和1*1卷积。
7.一种基于深度学习的全膝关节置换术后翻修术前规划系统,其特征在于,包括:
图像处理模块,用于将术前膝关节图像输入至深度学习模型,得到术前膝关节假体图像以及术前关节线图像;其中,所述术前关节线图像为标注有膝关节关节线的术前膝关节图像;
确定模块,用于基于所述术前膝关节假体图像和所述术前关节线图像,确定第一膝关节假体的规格型号与位置。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于深度学习的全膝关节置换术后翻修术前规划方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的全膝关节置换术后翻修术前规划方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377296.3A CN114431957B (zh) | 2022-04-12 | 2022-04-12 | 基于深度学习的全膝关节置换术后翻修术前规划系统 |
PCT/CN2022/115314 WO2023197504A1 (zh) | 2022-04-12 | 2022-08-26 | 基于深度学习的全膝关节置换术后翻修术前规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377296.3A CN114431957B (zh) | 2022-04-12 | 2022-04-12 | 基于深度学习的全膝关节置换术后翻修术前规划系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114431957A true CN114431957A (zh) | 2022-05-06 |
CN114431957B CN114431957B (zh) | 2022-07-29 |
Family
ID=81360448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210377296.3A Active CN114431957B (zh) | 2022-04-12 | 2022-04-12 | 基于深度学习的全膝关节置换术后翻修术前规划系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114431957B (zh) |
WO (1) | WO2023197504A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116473673A (zh) * | 2023-06-20 | 2023-07-25 | 浙江华诺康科技有限公司 | 内窥镜的路径规划方法、装置、系统和存储介质 |
CN116650110A (zh) * | 2023-06-12 | 2023-08-29 | 北京长木谷医疗科技股份有限公司 | 基于深度强化学习的膝关节假体自动放置方法及装置 |
WO2023197504A1 (zh) * | 2022-04-12 | 2023-10-19 | 北京长木谷医疗科技有限公司 | 基于深度学习的全膝关节置换术后翻修术前规划方法 |
CN118016244A (zh) * | 2024-04-09 | 2024-05-10 | 北京壹点灵动科技有限公司 | 膝关节数据的处理方法和装置、存储介质及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7123031B2 (ja) | 2016-07-15 | 2022-08-22 | マコ サージカル コーポレーション | ロボット支援再置換手技用のシステム |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5071438A (en) * | 1990-11-07 | 1991-12-10 | Intermedics Orthopedics, Inc. | Tibial prothesis with pivoting articulating surface |
US20080021299A1 (en) * | 2006-07-18 | 2008-01-24 | Meulink Steven L | Method for selecting modular implant components |
US20140257309A1 (en) * | 2013-03-11 | 2014-09-11 | Luke J. Aram | Customized patient-specific revision surgical instruments and method |
US20170065350A1 (en) * | 2015-08-11 | 2017-03-09 | ITKR Software LLC | Methods for facilitating individualized kinematically aligned knee replacements and devices thereof |
CN107106239A (zh) * | 2014-09-24 | 2017-08-29 | 德普伊爱尔兰无限公司 | 外科规划和方法 |
JP2017213435A (ja) * | 2017-08-30 | 2017-12-07 | 東芝メディカルシステムズ株式会社 | 医用情報処理装置及び医用情報処理方法 |
US20170360509A1 (en) * | 2014-12-08 | 2017-12-21 | Think Surgical, Inc. | Implant based planning, digitizing, and registration for total joint arthroplasty |
US20180153624A1 (en) * | 2010-04-14 | 2018-06-07 | Smith & Nephew, Inc. | Systems and methods for patient-based computer assisted surgical procedures |
US20190175277A1 (en) * | 2017-12-12 | 2019-06-13 | Orthosoft, Inc. | Patient-specific instrumentation for implant revision surgery |
US20200030034A1 (en) * | 2016-10-07 | 2020-01-30 | New York Society For The Relief Of The Ruptured And Crippled, Maintaining The Hostpital For | Patient specific 3-d interactive total joint model and surgical planning system |
US20200222206A1 (en) * | 2017-06-12 | 2020-07-16 | Think Surgical, Inc. | Intramedullary cutting device for revision hip arthroplasty |
CN111685917A (zh) * | 2019-03-15 | 2020-09-22 | 北京纳通科技集团有限公司 | 胫骨假体与胫骨的匹配方法、处理器 |
CN112641511A (zh) * | 2020-12-18 | 2021-04-13 | 北京长木谷医疗科技有限公司 | 关节置换手术导航系统及方法 |
US11000334B1 (en) * | 2017-07-12 | 2021-05-11 | K2M, Inc. | Systems and methods for modeling spines and treating spines based on spine models |
CN112842529A (zh) * | 2020-12-31 | 2021-05-28 | 北京长木谷医疗科技有限公司 | 全膝关节置换术前规划方法及装置 |
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 |
CN113017829A (zh) * | 2020-08-22 | 2021-06-25 | 张逸凌 | 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备 |
EP3858279A1 (en) * | 2020-01-29 | 2021-08-04 | Ottokar-Kernsto Leibnitz | Determining a size of an implant |
CN113208786A (zh) * | 2021-04-29 | 2021-08-06 | 高振中 | 一种适用于膝关节翻修术中的关节线定位器械 |
CN113240671A (zh) * | 2021-06-16 | 2021-08-10 | 重庆科技学院 | 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 |
US20220008131A1 (en) * | 2018-11-19 | 2022-01-13 | Intellijoint Surgical Inc. | System and method for preoperative planning for total hip arthroplasty |
WO2022007972A1 (zh) * | 2020-07-06 | 2022-01-13 | 北京长木谷医疗科技有限公司 | 一种全髋关节图像的处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114431957B (zh) * | 2022-04-12 | 2022-07-29 | 北京长木谷医疗科技有限公司 | 基于深度学习的全膝关节置换术后翻修术前规划系统 |
-
2022
- 2022-04-12 CN CN202210377296.3A patent/CN114431957B/zh active Active
- 2022-08-26 WO PCT/CN2022/115314 patent/WO2023197504A1/zh unknown
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5071438A (en) * | 1990-11-07 | 1991-12-10 | Intermedics Orthopedics, Inc. | Tibial prothesis with pivoting articulating surface |
US20080021299A1 (en) * | 2006-07-18 | 2008-01-24 | Meulink Steven L | Method for selecting modular implant components |
US20180153624A1 (en) * | 2010-04-14 | 2018-06-07 | Smith & Nephew, Inc. | Systems and methods for patient-based computer assisted surgical procedures |
US20140257309A1 (en) * | 2013-03-11 | 2014-09-11 | Luke J. Aram | Customized patient-specific revision surgical instruments and method |
CN107106239A (zh) * | 2014-09-24 | 2017-08-29 | 德普伊爱尔兰无限公司 | 外科规划和方法 |
CN111329584A (zh) * | 2014-09-24 | 2020-06-26 | 德普伊爱尔兰无限公司 | 外科规划和方法 |
US20170360509A1 (en) * | 2014-12-08 | 2017-12-21 | Think Surgical, Inc. | Implant based planning, digitizing, and registration for total joint arthroplasty |
US20170065350A1 (en) * | 2015-08-11 | 2017-03-09 | ITKR Software LLC | Methods for facilitating individualized kinematically aligned knee replacements and devices thereof |
US20200030034A1 (en) * | 2016-10-07 | 2020-01-30 | New York Society For The Relief Of The Ruptured And Crippled, Maintaining The Hostpital For | Patient specific 3-d interactive total joint model and surgical planning system |
US20200222206A1 (en) * | 2017-06-12 | 2020-07-16 | Think Surgical, Inc. | Intramedullary cutting device for revision hip arthroplasty |
US11000334B1 (en) * | 2017-07-12 | 2021-05-11 | K2M, Inc. | Systems and methods for modeling spines and treating spines based on spine models |
JP2017213435A (ja) * | 2017-08-30 | 2017-12-07 | 東芝メディカルシステムズ株式会社 | 医用情報処理装置及び医用情報処理方法 |
US20190175277A1 (en) * | 2017-12-12 | 2019-06-13 | Orthosoft, Inc. | Patient-specific instrumentation for implant revision surgery |
US20220008131A1 (en) * | 2018-11-19 | 2022-01-13 | Intellijoint Surgical Inc. | System and method for preoperative planning for total hip arthroplasty |
CN111685917A (zh) * | 2019-03-15 | 2020-09-22 | 北京纳通科技集团有限公司 | 胫骨假体与胫骨的匹配方法、处理器 |
EP3858279A1 (en) * | 2020-01-29 | 2021-08-04 | Ottokar-Kernsto Leibnitz | Determining a size of an implant |
WO2022007972A1 (zh) * | 2020-07-06 | 2022-01-13 | 北京长木谷医疗科技有限公司 | 一种全髋关节图像的处理方法及装置 |
CN113017829A (zh) * | 2020-08-22 | 2021-06-25 | 张逸凌 | 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备 |
CN112641511A (zh) * | 2020-12-18 | 2021-04-13 | 北京长木谷医疗科技有限公司 | 关节置换手术导航系统及方法 |
CN112842529A (zh) * | 2020-12-31 | 2021-05-28 | 北京长木谷医疗科技有限公司 | 全膝关节置换术前规划方法及装置 |
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 |
CN113208786A (zh) * | 2021-04-29 | 2021-08-06 | 高振中 | 一种适用于膝关节翻修术中的关节线定位器械 |
CN113240671A (zh) * | 2021-06-16 | 2021-08-10 | 重庆科技学院 | 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023197504A1 (zh) * | 2022-04-12 | 2023-10-19 | 北京长木谷医疗科技有限公司 | 基于深度学习的全膝关节置换术后翻修术前规划方法 |
CN116650110A (zh) * | 2023-06-12 | 2023-08-29 | 北京长木谷医疗科技股份有限公司 | 基于深度强化学习的膝关节假体自动放置方法及装置 |
CN116650110B (zh) * | 2023-06-12 | 2024-05-07 | 北京长木谷医疗科技股份有限公司 | 基于深度强化学习的膝关节假体自动放置方法及装置 |
CN116473673A (zh) * | 2023-06-20 | 2023-07-25 | 浙江华诺康科技有限公司 | 内窥镜的路径规划方法、装置、系统和存储介质 |
CN116473673B (zh) * | 2023-06-20 | 2024-02-27 | 浙江华诺康科技有限公司 | 内窥镜的路径规划方法、装置、系统和存储介质 |
CN118016244A (zh) * | 2024-04-09 | 2024-05-10 | 北京壹点灵动科技有限公司 | 膝关节数据的处理方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023197504A1 (zh) | 2023-10-19 |
CN114431957B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114431957B (zh) | 基于深度学习的全膝关节置换术后翻修术前规划系统 | |
WO2022170768A1 (zh) | 单髁关节图像的处理方法、装置、设备和存储介质 | |
US20210338334A1 (en) | Systems and methods for optimizing parameters of orthopaedic procedures | |
CN113842211B (zh) | 膝关节置换的三维术前规划系统及假体模型匹配方法 | |
WO2022161161A1 (zh) | 用于全膝关节置换手术的智能导板设计方法及装置 | |
US20150342739A1 (en) | Deformable articulating templates | |
CN111134840B (zh) | 膝关节置换手术方案的生成装置和终端 | |
CN111652888B (zh) | 基于深度学习的确定髓腔解剖轴线的方法及装置 | |
Jun | Morphological analysis of the human knee joint for creating custom-made implant models | |
Sas et al. | Effect of anatomical variability on stress‐shielding induced by short calcar‐guided stems: automated finite element analysis of 90 femora | |
WO2021168081A2 (en) | Computerized prediction of humeral prosthesis for shoulder surgery | |
CN116129081A (zh) | 基于面片模型的膝关节acl生物力学仿真方法、装置及设备 | |
Broberg et al. | Validation of a machine learning technique for segmentation and pose estimation in single plane fluoroscopy | |
Park et al. | Virtual knee joint replacement surgery system | |
Kern | Large population evaluation of contact stress exposure in articular joints for prediction of osteoarthritis onset and progression | |
Ghidotti et al. | Human Modelling and Design of Custom-Made Knee Implants: Definition of an Automatic Procedure | |
CN118429517A (zh) | 术前规划方案生成方法、装置、设备、介质和程序产品 | |
Freidhager | Automatic detection of landmarks and axes at the human knee joint | |
Yurova et al. | Automated personalization of biomechanical knee model | |
CN118680678A (zh) | 一种踝关节中心点修正方法、装置、电子设备及存储介质 |
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 | ||
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 |