CN114445367A - 基于人工智能大数据的关节假体智能匹配与制备方法 - Google Patents

基于人工智能大数据的关节假体智能匹配与制备方法 Download PDF

Info

Publication number
CN114445367A
CN114445367A CN202210095338.4A CN202210095338A CN114445367A CN 114445367 A CN114445367 A CN 114445367A CN 202210095338 A CN202210095338 A CN 202210095338A CN 114445367 A CN114445367 A CN 114445367A
Authority
CN
China
Prior art keywords
joint
matching
prosthesis
joint prosthesis
patient
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.)
Pending
Application number
CN202210095338.4A
Other languages
English (en)
Inventor
汪俊
田鹏
李铭
吴晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zekang Zhigu Technology Co ltd
Original Assignee
Chengdu Zekang Zhigu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zekang Zhigu Technology Co ltd filed Critical Chengdu Zekang Zhigu Technology Co ltd
Priority to CN202210095338.4A priority Critical patent/CN114445367A/zh
Publication of CN114445367A publication Critical patent/CN114445367A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Prostheses (AREA)

Abstract

本发明涉及人体关节假体匹配领域，具体涉及一种基于人工智能大数据的关节假体智能匹配与制备方法，实现了根据患者的关节影像学数据，自动与分类量产的关节假体进行匹配，极大地提高了匹配效率与匹配精度。技术方案包括：收集人体关节影像学数据，根据影像学数据构建人体关节三维图像，根据人体关节三维图像获取关节结构特征向量，根据特征向量对关节假体进行无监督聚类学习，并根据学习结果对关节假体进行分类量产；然后获取患者关节的影像学数据，并根据患者关节的影像学数据获取患者关节特征向量将患者关节特征向量与分类量产的关节假体进行匹配，匹配通过后选择对应关节假体。本发明适用于临床大规模人体关节假体高效匹配。

Description

基于人工智能大数据的关节假体智能匹配与制备方法
技术领域
本发明涉及人体关节假体匹配领域，具体涉及一种基于人工智能大数据的关节假体智能匹配与制备方法。
背景技术
关节置换是否成功不仅取决于医生实施的置换手术本身，而更重要地是取决于植入的人造关节假体材料属性、外部形状、结构形态和几何尺寸等机械设计参数在与股骨接触耦合中是否有利于其周围骨组织的生长和重建，人造关节假体固定部分是否能与骨形成稳定结合。目前在我国临床中使用的大部分人造关节假体是欧美公司根据欧美人种关节特征设计和制造的，国内针对中国人关节骨骼特征自行研制的人造假体品种少。长期以来，无论国内国外，置换术后的中远期效果常常不能令人满意，置入的人造关节假体出现无菌松动等并发症，特别是晚期松动率较高，导致人造关节假体植入失败并保持相当高的翻修率，有效使用期不长，这给病人肉体和精神造成极大痛苦，并增加其经济负担。如何更新关节假体设计制造原理和方法，如何提高患者关节假体匹配精确度，如何提高手术水平以获得关节假体在体的长期稳定性、延长其有效使用寿命是一直困扰着该领域工学和医学界人们的难题。
目前通过3D打印技术来解决上述问题，3D打印技术采用连续的物理层叠加、逐层增加材料的方式生成三维实体的成型技术工艺，能够更加有效的解决复杂、不规则结构的设计，个性化3D打印多孔结构制造的髋关节产品可以解决植入物界面匹配问题与多孔结构界面骨整合问题。
但3D打印个性化定制产品需要获取患者CT数据进行重建、建模、设计、打印、后处理及消毒配送，价格昂贵医疗负担重，匹配精度不高，生产周期长，效率低，不利于大规模临床推广应用。
发明内容
本发明的目的是提供一种基于人工智能大数据的关节假体智能匹配与制备方法，实现了根据患者的关节影像学数据，自动与分类量产的关节假体进行匹配，极大地提高了匹配效率与匹配精度，同时解决了3D定制产品价格昂贵、生产周期长的问题。
本发明采取如下技术方案实现上述目的，基于人工智能大数据的关节假体智能匹配与制备方法，包括：
步骤1、收集人体关节影像学数据，根据影像学数据构建人体关节三维图像；
步骤2、根据人体关节三维图像获取关节结构特征向量；
步骤3、根据关节结构特征向量对关节假体进行无监督聚类学习，并根据学习结果对关节假体进行分类量产；
步骤4、获取患者关节的影像学数据，并根据患者关节的影像学数据获取患者关节特征向量；
步骤5、将患者关节特征向量与分类量产的关节假体进行匹配，匹配通过后选择对应关节假体。
进一步的是，步骤2中，通过三维软件测量或者通过特征提取模型提取获取关节结构特征向量。
进一步的是，通过特征提取模型获取关节结构特征向量的具体方法包括：
对原始人体关节影像学数据进行预处理；然后对预处理后的人体关节影像学数据进行分割，得到不含背景的单独的人体关节三维图像；最后对单独的人体关节三维图像通过卷积神经网络分别进行特征点提取，并对所述特征点进行回归，得到关节结构特征向量。
进一步的是，进行特征点提取的具体方法包括：
S1、将原三维图像预处理后拆分成多个patch，对每一块patch的位置信息进行编码，然后针对每一个子块进行3D向2D信息的CNN卷积，实现将3D子块图像向2D矩阵转化，其位置编码信息与对应位置的3D子块相同；
S2、通过Linear Projection of Flattened Patches模块将2D信息进行压缩，转化为一维向量后叠加对应位置的编码信息输送到Transformer Encoder和TransformerDecoder中进行信息的编码和解码，得到特征点信息。
进一步的是，特征点提取的损失函数为：
Figure BDA0003490811590000021
其中，H为单个样本中的特征点数量，X、Y和Z分别代表特征点的三个维度的坐标值，g为真实值，p为预测值。
进一步的是，特征点回归的损失函数为：
Figure BDA0003490811590000022
其中，N为样本数，ygi为真实特征向量，ypi为预测特征向量，ωi为权重因子。
进一步的是，患者关节特征向量中还包括患者的性别、年龄、种族、地域以及下肢高度信息。
进一步的是，步骤3中，根据特征向量对关节假体进行无监督聚类学习的具体方法包括：
步骤301、确定初始类别数K，类别数K为高斯分布个数；
步骤302、对K个高斯分布中的每一个高斯，根据初始均值和协方差，得到对应的高斯分布，计算公式为：
Figure BDA0003490811590000031
其中，x表示维度为D的向量，μ为这些向量的平均值，Σ为这些向量的协方差矩阵；
步骤303、求高斯分布的似然估计，计算公式为：
Figure BDA0003490811590000032
其中，N为样本数，K为类别数；
步骤304、对每一个样本，计算其在各个高斯分布下的概率，计算公式为：
Figure BDA0003490811590000033
针对每一个高斯分布，每一个样本对该高斯分布的贡献可以由其下的概率表示，其中πk为权值因子，表示在训练集中数据点属于类K的频率，第k个分布的期望值为：
Figure BDA0003490811590000034
第k个分布的协方差为：
Figure BDA0003490811590000035
Figure BDA0003490811590000036
步骤305、将更新的均值和方差，返回步骤302，进行迭代，直到似然估值不再变化或者变化小于ε，迭代停止。
进一步的是，所述初始类别数根据肘部法、轮廓系数法确定；初始均值和协方差根据k-means聚类算法得出。
进一步的是，步骤5中，匹配公式为：
Figure BDA0003490811590000037
其中，dmn为两个样本m和n之间的相似度，αi为权重因子，xmi为样本m的特征向量中的第i个特征值，xni为样本n的特征向量中的第i个特征值。
本发明基于人工智能大数据，搜集人体关节影像学数据，根据影像学数据构建人体关节三维图像，根据人体关节三维图像获取关节结构特征向量，根据特征向量对关节假体进行无监督聚类学习，并根据学习结果对关节假体进行分类量产，制备多种型号的关节假体；当获取患者影像学数据后，即可通过算法完成自动匹配，极大地提高了匹配效率与匹配精度，同时解决了3D定制产品价格昂贵、生产周期长的问题。
附图说明
图1是本发明实施例提供的一种膝关节假体结构图。
图2是本发明实施例提供的一种髋关节假体结构图。
图3是本发明基于人工智能大数据的关节假体智能匹配与制备的方法流程图。
图4是本发明膝关节测量指标的解剖模型示意图。
图5是本发明特征提取模型示意图。
附图中，101为股骨假体，102为胫骨假体，201为股骨柄，202为球头，203为髋臼假体，1为股骨经上髁轴线宽度，2为股骨内侧髁宽，3为股骨外侧髁宽，4为股骨髁间窝深，5为股骨外侧髁前后径，6为股骨内侧髁前后径，7为股骨内侧髁倾角，8为股骨外侧髁倾角，9为胫骨平台关节面，10为胫骨内侧平台前后径，11为胫骨外侧平台前后径，12为髌骨数据包括髌骨关节面，13为髌骨关节面高，14为髌骨厚度。
具体实施方式
下面结合附图对本发明进行进一步说明。
本发明基于人工智能大数据的关节假体智能匹配与制备方法，如图3所示，包括：
步骤1、收集人体关节影像学数据，根据影像学数据构建人体关节三维图像；
步骤2、根据人体关节三维图像获取关节结构特征向量；
步骤3、根据关节结构特征向量对关节假体进行无监督聚类学习，并根据学习结果对关节假体进行分类量产；
步骤4、获取患者关节的影像学数据，并根据患者关节的影像学数据获取患者关节特征向量；
步骤5、将患者关节特征向量与分类量产的关节假体进行匹配，匹配通过后选择对应关节假体。
步骤2中，通过三维软件测量或者通过特征提取模型提取获取关节结构特征向量。
特征提取模型如图5，通过特征提取模型获取关节结构特征向量的具体方法包括：
对原始人体关节影像学数据进行预处理；然后对预处理后的人体关节影像学数据进行分割，得到不含背景的单独的人体关节三维图像；最后对单独的人体关节三维图像通过卷积神经网络分别进行特征点提取，并对所述特征点进行回归，得到关节结构特征向量。
进行特征点提取的具体方法包括：
S1、将原三维图像预处理后拆分成多个patch，对每一块patch的位置信息进行编码，然后针对每一个子块进行3D向2D信息的CNN卷积，实现将3D子块图像向2D矩阵转化，其位置编码信息与对应位置的3D子块相同；patch表示小块，即将图像分成多个小块来处理；
S2、通过Linear Projection of Flattened Patches模块将2D信息进行压缩，转化为一维向量后叠加对应位置的编码信息输送到Transformer Encoder和TransformerDecoder中进行信息的编码和解码，得到特征点信息。
考虑到特征点检测的局部误差，通过构建线性回归结构将特征点信息转化为需要的测量长度信息；其次，本发明还将用户的个人信息作为参考信息实现与已有模型进行辅助预测，个人信息如年龄、性别等相关信息通过数值转化、数值替换等方式实现离散化的转化，构建个人信息的基本特征；最终我们将构建出图像信息特征和个人信息特征，进行特征拼接以及权重分配(比如将更多的权重给与图像特征，更低的权重给信息特征)。最终将最终的特征矩阵与已有的数据假体进行匹配，实现假体的选择。
特征点提取的损失函数为：
Figure BDA0003490811590000051
其中，H为单个样本中的特征点数量，X、Y和Z分别代表特征点的三个维度的坐标值，g为groundtruth，表示真实值，p为predict，表示预测值。
特征点回归的损失函数为：
Figure BDA0003490811590000052
其中，N为样本数，ygi为真实特征向量，ypi为预测特征向量，ωi为权重因子。
患者关节特征向量中还包括患者的性别、年龄、种族、地域以及下肢高度信息。
步骤3中，根据特征向量对关节假体进行无监督聚类学习的具体方法包括：
步骤301、确定初始类别数K，类别数K为高斯分布个数；
步骤302、对K个高斯分布中的每一个高斯，根据初始均值和协方差，得到对应的高斯分布，计算公式为：
Figure BDA0003490811590000053
其中，x表示维度为D的向量，μ为这些向量的平均值，Σ为这些向量的协方差矩阵；
步骤303、求高斯分布的似然估计，计算公式为：
Figure BDA0003490811590000054
其中，N为样本数，K为类别数；
步骤304、对每一个样本，计算其在各个高斯分布下的概率，计算公式为：
Figure BDA0003490811590000055
针对每一个高斯分布，每一个样本对该高斯分布的贡献可以由其下的概率表示，其中πk为权值因子，表示在训练集中数据点属于类K的频率，第k个分布的期望值为：
Figure BDA0003490811590000061
第k个分布的协方差为：
Figure BDA0003490811590000062
Figure BDA0003490811590000063
步骤305、将更新的均值和方差，返回步骤302，进行迭代，直到似然估值不再变化或者变化小于ε，迭代停止。
所述初始类别数根据肘部法、轮廓系数法确定；初始均值和协方差根据k-means聚类算法得出。
步骤5中，匹配公式为：
Figure BDA0003490811590000064
其中，dmn为两个样本m和n之间的相似度，αi为权重因子，xmi为样本m的特征向量中的第i个特征值，xni为样本n的特征向量中的第i个特征值。
本发明适应于膝关节假体、髋关节假体、腕关节假体、肘关节假体、踝关节假体以及人工椎间盘关节假体等。
膝关节假体的结构如图1所示，包括股骨假体101、胫骨假体102以及髌骨假体，髌骨假体在股骨假体101的背面。
良好的假体设计除了可以降低翻修率，也能提高初次人工全膝关节置换患者的生活质量。因此精确的膝关节三维形态数据是膝关节假体设计、制造及选择的基础。
膝关节三维形态数据包括股骨数据、胫骨数据以及截骨面数据。
其中股骨数据指标包括：股骨髁宽，指股骨远端内髁最凹点与外髁最凸点之间连线的长度；股骨后髁内外边缘距离，指以股骨干纵轴为平行线，通过股骨外侧后髁最外缘及股骨内侧后髁最内缘各做一条与之平行直线之间的距离；股骨髁间窝内外边缘距离，指以股骨干纵轴为平行线，通过股骨后髁外侧最内缘与内侧最外缘做一条与之平行直线的距离；股骨内侧髁前后缘距离，指以股骨干纵轴为平行线，通过股骨内侧髁的最前缘、最后缘各做一条与之平行直线的距离；股骨外侧髁前后缘距离，指以股骨干纵轴为平行线，通过股骨外侧髁的最前缘、最后缘各做一条与之平行直线的距离；股骨内侧髁上下缘距离，指通过股骨内侧髁最上缘与最下缘各做一条与股骨干纵轴垂直的直线之间的距离；股骨外侧髁上下缘距离，通过股骨外侧髁最上缘与最下缘各做一条与股骨干纵轴垂直的直线之间的距离。
股骨以及髌骨数据其他指标参考图4，还包括：股骨经上髁轴线宽度1、股骨内侧髁宽2、股骨外侧髁宽3、股骨髁间窝深4、股骨内侧髁前后径6、股骨外侧髁前后径5、股骨内侧髁倾角7以及股骨外侧髁倾角8；对于股骨髁关节面的确定，以伸直矢状位上股骨髁远端关节面与胫骨平台关节面9相交点与股骨后髁关节面最高点做连线，将此端膝关节拟合成二段圆弧，为股骨髁从0°到最大屈曲范围内与胫骨平台相关节圆弧，股骨髁髌骨面拟合成一端圆弧，统一标定测量；其中与胫骨平台关节面9相关的为胫骨内侧平台前后径10以及胫骨外侧平台前后径11；髌骨数据包括髌骨关节面12、髌骨关节面高13以及髌骨厚度14。
胫骨测量数据指标包括：骨平台宽，指以胫骨解剖轴为平行线，通过胫骨内、外侧平台最边缘点各做一条与之平行直线之间的距离；胫骨内侧平台宽，指以胫骨解剖轴为平行线，通过胫骨内侧平台的最边缘点以及内侧胫骨嵴最高点各做一条与之平行的直线之间的距离；胫骨外侧平台宽，指以胫骨解剖轴为平行线，通过评估外侧平台最边缘点及外侧胫骨嵴最高点各做一条与之平行的直线之间的距离；胫骨内侧平台前后径，指通过胫骨内侧平台最前缘及最后缘各做一条与胫骨解剖轴垂直的直线之间的距离；胫骨外侧平台前后径，指通过胫骨外侧平台最前缘及最后缘各做一条与胫骨解剖轴垂直的直线之间的距离；胫骨内侧平台最低点的平面线至腓骨头尖端平面的距离，指通过胫骨内侧平台最低点及腓骨头尖端最高点各做一条与胫骨解剖轴垂直的直线之间的距离；胫骨平台后倾的倾斜角度，指与胫骨中上段轴线垂直的直线和胫骨内侧平台切线之间的夹角。
根据上述数据设计制造假体时，需要考虑：
1、截骨后的股骨前髁宽、股骨前下髁宽、股骨髁宽为股骨滑车不同位置的三个横径，也就是髌骨轨迹的宽度确定它们的尺寸及比例关系，这对于假体的设计尤为重要。
2、胫骨平台内侧前后径、平台内外侧径、外侧平台前后径形象的表达了胫骨平台的形态，胫骨平台的解剖在形态和结构上是不对称的，其截骨面为不规则椭圆形内侧平台较大，接近半圆形，外侧平台较小接近椭圆形，我们将截骨面冠状位最大径确定为胫骨平台横径，矢状位最大径确定为胫骨内侧平台，前后径外侧处矢状径确定为胫骨外侧平台前后径。
3、在进行膝关节几何外形尺寸研究的同时应该考虑测量方法(截骨前、截骨后、截骨深度)、种族、性别比例、个体上的差异。
4、人工膝关节置换时候以接近胫骨平台的后倾角进行切割更符合国人正常膝关节的特点，若能建立以身高为自变量的回归方程¨通过广泛测得国人的身高及分布范围便可能得出膝关节尺寸的近似值，将为国人膝关节假体设计提供一种参考。
5、人工膝关节设计可针对国人股骨髁及胫骨平台尺寸与西方规格在前后径尺寸相差的特征，调整前后径(A/P)及横径(ML)的比例，以便达到更加严密的股骨髁及胫骨平台的覆盖，提高假体的适配度，达到理想的重力传导，有效避免人工膝关节松动、下沉、防止骨溶解¨从而提高的整体临床性能。
6、人工膝关节设计方面不但需要大量人体解剖学研究资料，还需要测量股骨远端、胫骨近端和髁骨实体的几何学、形态学相关的数据及膝关节截骨后的相关数据，才能设计出符合人解剖结构的人工假体¨而且型号从小至大、一应俱全，供给假体的型号愈多，选择余地愈大，手术效果亦愈理想。
7、亚太人种胫骨截面的横径要小于西方人，但胫骨前后径却大于西方人。在进行国产假体设计时，适当延长胫骨假体前后径、减少横径,可以增加截骨面的覆盖率及股骨后滚距离，从而提高假体稳定性，延长假体使用寿命。另外，在进行国人膝关节假体设计以及全膝关节置换时，也还应该注意男女性别间的差异性。
膝关节匹配方法主要包括：基于人工智能大数据收集人体膝关节CT图像，通过膝关节CT图像采集膝关节的股骨各种指标数据、胫骨指标数据以及髌骨指标数据，根据膝关节CT图像以及各种指标数据建人体关节三维图像，通过三维建模技术对膝关节进行重建，并利用人工智能进行聚类分型，根据膝关节结构分类设计多种型号，确保每个最佳匹配的产品与患者膝关节个性化匹配度达90％以上，通过建立国人膝关节形态库指导后续膝关节假体建模与设计，根据分类研究结果预先打印制备多种型号的膝关节，然后按照传统植入物销售推广模式存放到各地经销商及医院仓库，当患者完成CT扫描后，即可通过算法和模型系统完成自动三维重建匹配并智能化匹配最佳型号，供临床手术医生参考选用。
本发明髋关节假体的结构如图2所示，包括股骨柄201、球头202以及髋臼假体203，其种股骨柄201以及球头202构成髋关节的股骨假体。
传统的髋关节假体设计是利用人体股骨近端髓腔开口几何形态的统计数据，按等级设计髋关节假体。在手术时，利用拍摄的病人股骨x射线图片，选择置换的假体。选择的假体尺寸要大于髓腔的尺寸，然后通过扩髓的方法达到假体与扩髓后的髓腔匹配。由于医生扩髓与选择假体的不确定性，这样的假体置换方法无法获得假体与髓腔的良好匹配。
髋关节测量的指标包括股骨近端髓腔内外径长参数，具体包括：T+20mm，指小粗隆中点上方20mm髓腔内径；T+10mm，指小粗隆中点上方10mm髓腔内径；T 0，指小粗隆中点处髓腔内径；T-10mm，指小粗隆中点下方10mm髓腔内径；T-20mm，指小粗隆中点下方20mm髓腔内径；T-50mm，指小粗隆中点下方50mm髓腔内径；T-60mm，指小粗隆中点下方60mm髓腔内径；T-80mm，指小粗隆中点下方80mm髓腔内径；T-120mm，指小粗隆中点下方120mm髓腔内径；T峡部，指峡部髓腔内径；T峡内，峡部内侧皮质厚度；T峡外，峡部外侧皮质厚度；T峡部高度，指小粗隆中点到股骨髓腔峡部距离；股骨柄参考最短长度：股骨入口到峡部以下30mm处距离；股骨头脱位距离：患侧小粗隆中点处水平线到健侧小粗隆中点水平线的垂直距离，如果双侧均患病，则测量患侧小粗隆中点到双侧耻骨下肢最低点连线的垂直距离；股骨颈颈干角，指若股骨头明显变形及消失则予描述股骨头的形态。
髋关节假体测量的指标还包括股骨近端髓腔形态参数，具体包括：股骨近端髓腔开大指数，指T+20mm与T峡部内径的比值；股骨干骺端髓腔开大指数，指T+20mm与T-20mm的比值或T+20mm与T-40mm的比值；股骨远端髓腔开大指数，指T-20mm与T峡的比值。
对于股骨颈前倾角、颈干角可以通过反正切函数测得，具体：股骨近端髓腔开大角，指T+20mm与T峡部所围成的倒梯形的两条侧边延长线所构成的锐角角度；干骺端髓腔开大角，指T+20mm与T-20mm所围成的倒梯形的两条侧边延长线所构成的锐角角度，或T+20mm与T-40mm所围成的倒梯形的两条侧边延长线所构成的锐角角度；股骨干部髓腔开大角，指T-20mm与T峡部所围成的倒梯形的两条侧边延长线所构成的锐角角度。
另外还可以测量全部标本的髋臼外展角、髋臼前倾角、股骨颈扭转角、股骨颈干角和股骨偏心距等。
髋关节假体匹配的主要方法包括：基于人工智能大数据收集人体髋关节CT图像，根据髋关节CT图像采集髋关节的股骨假体指标数据、髋臼假体指标数据，根据指标数据以及CT图像采集根据髋关节CT图像建人体髋关节三维图像，通过三维建模技术对髋关节进行重建，并利用人工智能进行聚类分型，根据髋关节结构分类设计多种型号，确保每个最佳匹配的产品与患者髋关节个性化匹配度达90％以上，通过建立国人髋关节形态库指导后续髋关节假体建模与设计，根据分类研究结果预先打印制备多种型号的髋关节假体，然后按照传统植入物销售推广模式存放到各地经销商及医院仓库，当患者完成CT扫描后，即可通过算法和模型系统完成自动三维重建匹配并智能化匹配最佳型号，供临床手术医生参考选用。
髋关节假体在匹配时，其股骨假体与髋臼假体分开匹配，匹配完成后组装使用。
以上所述仅为本发明专利的较佳实施例，凡依本发明专利申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。
综上所述，本发明实现了根据患者的关节影像学数据，自动与分类量产的关节假体进行匹配，极大地提高了匹配效率与匹配精度，同时解决了3D定制产品价格昂贵、生产周期长的问题。

Claims (10)

1.基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，包括：
步骤1、收集人体关节影像学数据，根据影像学数据构建人体关节三维图像；
步骤2、根据人体关节三维图像获取关节结构特征向量；
步骤3、根据关节结构特征向量对关节假体进行无监督聚类学习，并根据学习结果对关节假体进行分类量产；
步骤4、获取患者关节的影像学数据，并根据患者关节的影像学数据获取患者关节特征向量；
步骤5、将患者关节特征向量与分类量产的关节假体进行匹配，匹配通过后选择对应关节假体。
2.根据权利要求1所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，步骤2中，通过三维软件测量或者通过特征提取模型提取获取关节结构特征向量。
3.根据权利要求2所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，通过特征提取模型获取关节结构特征向量的具体方法包括：
对原始人体关节影像学数据进行预处理；然后对预处理后的人体关节影像学数据进行分割，得到不含背景的单独的人体关节三维图像；最后对单独的人体关节三维图像通过卷积神经网络分别进行特征点提取，并对所述特征点进行回归，得到关节结构特征向量。
4.根据权利要求3所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，进行特征点提取的具体方法包括：
S1、将原三维图像预处理后拆分成多个patch，对每一块patch的位置信息进行编码，然后针对每一个子块进行3D向2D信息的CNN卷积，实现将3D子块图像向2D矩阵转化，其位置编码信息与对应位置的3D子块相同；
S2、通过Linear Projection of Flattened Patches模块将2D信息进行压缩，转化为一维向量后叠加对应位置的编码信息输送到Transformer Encoder和TransformerDecoder中进行信息的编码和解码，得到特征点信息。
5.根据权利要求3或4所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，特征点提取的损失函数为：
Figure FDA0003490811580000011
其中，H为单个样本中的特征点数量，X、Y和Z分别代表特征点的三个维度的坐标值，g为真实值，p为预测值。
6.根据权利要求3所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，特征点回归的损失函数为：
Figure FDA0003490811580000021
其中，N为样本数，ygi为真实特征向量，ypi为预测特征向量，ωi为权重因子。
7.根据权利要求1所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，患者关节特征向量中还包括患者的性别、年龄、种族、地域以及下肢高度信息。
8.根据权利要求1所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，步骤3中，根据特征向量对关节假体进行无监督聚类学习的具体方法包括：
步骤301、确定初始类别数K，类别数K为高斯分布个数；
步骤302、对K个高斯分布中的每一个高斯分布，根据初始均值和协方差，得到对应的高斯分布，计算公式为：
Figure FDA0003490811580000022
其中，x表示维度为D的向量，μ为这些向量的平均值，Σ为这些向量的协方差矩阵；
步骤303、求高斯分布的似然估计，计算公式为：
Figure FDA0003490811580000023
其中，N为样本数，K为类别数；
步骤304、对每一个样本，计算其在各个高斯分布下的概率，计算公式为：
Figure FDA0003490811580000024
针对每一个高斯分布，每一个样本对该高斯分布的贡献可以由其下的概率表示，其中πk为权值因子，表示在训练集中数据点属于类K的频率，第k个分布的期望值为：
Figure FDA0003490811580000025
第k个分布的协方差为：
Figure FDA0003490811580000026
Figure FDA0003490811580000027
步骤305、将更新的均值和方差，返回步骤302，进行迭代，直到似然估值不再变化或者变化小于ε，迭代停止。
9.根据权利要求8所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，所述初始类别数根据肘部法、轮廓系数法确定；初始均值和协方差根据k-means聚类算法得出。
10.根据权利要求1所述的基于人工智能大数据的关节假体智能匹配与制备方法，其特征在于，步骤5中，匹配公式为：
Figure FDA0003490811580000031
其中，dmn为两个样本m和n之间的相似度，αi为权重因子，xmi为样本m的特征向量中的第i个特征值，xni为样本n的特征向量中的第i个特征值。
CN202210095338.4A 2022-01-26 2022-01-26 基于人工智能大数据的关节假体智能匹配与制备方法 Pending CN114445367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210095338.4A CN114445367A (zh) 2022-01-26 2022-01-26 基于人工智能大数据的关节假体智能匹配与制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210095338.4A CN114445367A (zh) 2022-01-26 2022-01-26 基于人工智能大数据的关节假体智能匹配与制备方法

Publications (1)

Publication Number Publication Date
CN114445367A true CN114445367A (zh) 2022-05-06

Family

ID=81369326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210095338.4A Pending CN114445367A (zh) 2022-01-26 2022-01-26 基于人工智能大数据的关节假体智能匹配与制备方法

Country Status (1)

Country Link
CN (1) CN114445367A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115177415A (zh) * 2022-09-14 2022-10-14 北京纳通医疗科技控股有限公司 肱骨假体

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115177415A (zh) * 2022-09-14 2022-10-14 北京纳通医疗科技控股有限公司 肱骨假体
CN115177415B (zh) * 2022-09-14 2023-01-20 北京纳通医疗科技控股有限公司 肱骨假体

Similar Documents

Publication Publication Date Title
US11951009B2 (en) Methods and devices for bone surgeries
KR20210019135A (ko) 3 차원 공간에서 수술기구를 추적하는 방법
WO2010140036A1 (en) A method of designing a knee prosthesis
Jun Morphological analysis of the human knee joint for creating custom-made implant models
CN114445367A (zh) 基于人工智能大数据的关节假体智能匹配与制备方法
Rasquinha Articular Asphericity of the Arthritic Hip
CN107638234A (zh) 一种定制化膝关节假体的股骨组件

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