CN114612400A - 基于深度学习的膝关节股骨置换术后评估系统 - Google Patents

基于深度学习的膝关节股骨置换术后评估系统 Download PDF

Info

Publication number
CN114612400A
CN114612400A CN202210206435.6A CN202210206435A CN114612400A CN 114612400 A CN114612400 A CN 114612400A CN 202210206435 A CN202210206435 A CN 202210206435A CN 114612400 A CN114612400 A CN 114612400A
Authority
CN
China
Prior art keywords
femoral
prosthesis
deep learning
femoral prosthesis
knee joint
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
CN202210206435.6A
Other languages
English (en)
Inventor
张逸凌
刘星宇
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.)
Longwood Valley Medtech Co Ltd
Original Assignee
Longwood Valley Medtech 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 Longwood Valley Medtech Co Ltd filed Critical Longwood Valley Medtech Co Ltd
Priority to CN202210206435.6A priority Critical patent/CN114612400A/zh
Publication of CN114612400A publication Critical patent/CN114612400A/zh
Priority to PCT/CN2023/070789 priority patent/WO2023165260A1/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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深度学习的膝关节股骨置换术后评估系统，包括：采集模块，用于获取术后膝关节图像；识别模块，用于将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；计算模块，用于根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线获得股骨假体的角度参数；评估模块，用于根据所述股骨假体的角度参数获得术后评估结果。本发明能够自动测量术后膝关节假体的角度参数，进而准确评估手术的结果，节省大量的时间精力和财力。

Description

基于深度学习的膝关节股骨置换术后评估系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的膝关节股骨置换术后评估系统。
背景技术
在膝关节置换术中，股骨假体和胫骨假体的良好位置，是术后膝关节恢复良好活动度的基础。因此，术后往往需要准确测量股骨假体及胫骨假体相对于股骨和胫骨角度以及假体间的空间位置，从而进行术后评估。
现有方法通常为人工测量X线片上股骨假体的位置参数，该方法精准度低，且用不同角度或不同体位的X线来测量需反复接受放射线，耗费大量的时间、精力和财力。
发明内容
本发明提供一种基于深度学习的膝关节股骨置换术后评估系统，用以解决现有技术中膝关节股骨置换术后评估难的缺陷，实现自动精准测量及评估。
本发明提供一种基于深度学习的膝关节股骨置换术后评估系统，包括：
采集模块，用于获取术后膝关节图像；
识别模块，用于将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；
计算模块，用于根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线获得股骨假体的角度参数；
评估模块，用于根据所述股骨假体的角度参数获得术后评估结果。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述关键轴线包括：股骨髓腔中心线、股骨假体最低点连线和股骨假体前唇线。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述计算模块，在确定髓腔中心线时，具体用于：
采用第一水平直线扫描股骨的轮廓区域得到股骨的两侧交点，根据所述股骨两侧交点的中心点连线获得股骨区域的股骨髓腔中心。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述计算模块，在确定股骨假体最低点连线时，具体用于：
采用第二水平直线由下至上扫描所述股骨假体的轮廓区域，初次相交时获得第一交点；
将所述第二水平直线绕所述第一交点顺时针或逆时针旋转，与股骨假体的轮廓区域再次相交时，得到所述股骨假体最低点连线。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述股骨假体和胫骨假体的角度参数包括以下至少之一：
股骨假体外翻角；
股骨屈伸角。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述股骨假体外翻角为所述股骨假体最低点连线和所述股骨髓腔中心线之间的夹角；
所述股骨屈伸角为所述股骨假体前唇线和所述股骨髓腔中心线之间的夹角。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述评估模块，在根据所述股骨假体的角度参数获得术后评估结果时，具体用于：
将所述股骨假体的角度参数与标准角度参数进行比对，获得术后评估结果。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述标准角度参数包括：股骨假体外翻角标准角度参数以及股骨假体屈伸角标准角度参数。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述识别模型是通过标注有股骨和股骨假体轮廓范围的膝关节图像样本集训练得到的。
根据本发明提供的一种基于深度学习的膝关节股骨置换术后评估系统，所述识别模型基于高分辨率网络HRNet卷积神经网络训练得到的。
本发明提供的基于深度学习的膝关节股骨置换术后评估系统，结合深度学习算法，自动识别计算股骨假体空间位置和胫骨假体空间位置，从而获得自动测量术后膝关节假体的角度参数，进而准确评估手术的结果，节省大量的时间精力和财力。
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是本发明实施例提供的基于深度学习的膝关节股骨置换术后评估方法的流程示意图；
图2是本发明实施例提供的基于深度学习的膝关节股骨置换术后评估方法的角度参数示意图之一；
图3是本发明实施例提供的基于深度学习的膝关节股骨置换术后评估方法的股骨假体示意图；
图4是本发明实施例提供的基于深度学习的膝关节股骨置换术后评估方法的角度参数示意图之二；
图5是本发明实施例提供的基于深度学习的膝关节股骨置换术后评估系统的结构示意图；
图6是本发明实施例提供的电子设备的结构示意图。
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。
下面对本发明提供的基于深度学习的膝关节股骨置换术后评估系统进行描述，如图5所示，本发明实施例公开了一种基于深度学习的膝关节股骨置换术后评估装置，包括：
采集模块501，用于获取术后膝关节图像；
需要说明的是，术后膝关节图像包括全膝关节置换手术术后正位X线片或侧位X线片。
识别模块502，用于将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；
计算模块503，用于根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线获得股骨假体的角度参数；
评估模块504，用于根据所述股骨假体的角度参数获得术后评估结果。
本发明实施例的基于深度学习的膝关节股骨置换术后评估系统，通过自动识别计算股骨假体空间位置，从而获得自动测量术后膝关节股骨假体的角度参数，进而准确评估手术的结果，相比于手动标注方法评价准确性更高，自动化能力更强。
在本发明的至少一个实施例中，所述关键轴线包括：股骨髓腔中心线、股骨假体最低点连线和股骨假体前唇线。
在本发明的至少一个实施例中，所述计算模块503，在确定髓腔中心线时，具体用于：采用第一水平直线扫描股骨的轮廓区域得到股骨的两侧交点，根据所述股骨两侧交点的中心点连线获得股骨区域的股骨髓腔中心。
需要说明的是，股骨髓腔中心线可以通过在模型预测的基础上去拟合出来，首先分割出股骨部分，通过设置第一水平直线与股骨部分相交，直线从图片上方向下扫过，每扫过图像的1/50距离，记录下股骨与直线的两个交点(x1,y1)、(x2,y2)，然后通过中心公式可取得中心点坐标((x1+x2)/2)、((y1+y2)/2)，取得五十个点通过最小二乘法可以拟合出一条直线，将此直线延长便可以得到髓腔中心线。
在本发明的至少一个实施例中，所述计算模块503，在确定股骨假体最低点连线时，具体用于：
采用第二水平直线由下至上扫描所述股骨假体的轮廓区域，初次相交时获得第一交点；
将所述第二水平直线绕所述第一交点顺时针或逆时针旋转，与股骨假体的轮廓区域再次相交时，得到所述股骨假体最低点连线。
需要说明的是，股骨假体最低点连线的获取实际是X线片股骨假体的分割过程，该过程可以通过第二水平直线从图像下方向上扫过，直到直线与股骨假体有交点，然后通过分割出股骨假体轮廓的坐标集判断该交点属于股骨假体的左侧还是右侧，若为左侧，将该直线绕左侧交点逆时针旋转，每旋转1°判断直线是否与另一侧相交，若相交则得到股骨假体最低点连线；同理可得，若为右侧，将该直线绕右侧交点顺时针旋转，每旋转1°判断直线是否与另一侧相交，若相交则得到股骨假体最低点连线。
在本发明的至少一个实施例中，所述股骨假体的角度参数包括以下至少之一：
股骨假体外翻角；
股骨屈伸角。
在本发明的至少一个实施例中，所述股骨假体外翻角为所述股骨假体最低点连线和所述股骨髓腔中心线之间的夹角；
所述股骨屈伸角为所述股骨假体前唇线和所述股骨髓腔中心线之间的夹角。
在本发明的至少一个实施例中，所述识别模型是通过标注有股骨和股骨假体轮廓范围的膝关节图像样本集训练得到的。
需要说明的是，所述识别模型基于HRNet卷积神经网络训练得到，卷积神经网络包括经典的Encoder-Decoder结构，Encoder部分通常以不同尺度的特征图串联在一起，这样必定会有特征的丢失，HRNet则采用多个阶段的高分辨率子网络并联连接，网络自始至终保持高分辨率，并对多个阶段的子网络进行多尺度融合，可以使网络提取到更多的图像特征信息。网络由基本的卷积模块，下采样操作和上采样操作构成。
本发明中识别模型在HRNet卷积神经网络的基础上根据硬件设备(RTX1080Ti)做了一些微调，防止内存溢出。HRNet作为分割基础网络可以获得更好的分割效果。
在本发明的实施例中，优化器采用SGD，初始化学习率为1e-4，在训练过程中使用指数学习率衰减策略，损失函数使用focal loss和dice loss。
在本发明的实施例中，模型评估指标为Dice。Dice的公式为：
Figure BDA0003529054410000071
其中，TP表示真实值为正样本模型也预测为正样本的数量，FP表示真实值为负样本模型预测为正样本的的数量，FN表示真实值为负样本模型也预测为负样本的数量。
需要说明的是，在本发明的实施例中，正样本表示的是标注的股骨，假体和轮廓区域(即要分割的区域)，负样本表示的是背景区域。
在本发明的至少一个实施例中，所述评估模块504，在根据所述股骨假体的角度参数获得术后评估结果时，具体用于：
将所述股骨假体的角度参数与标准角度参数进行比对，获得术后评估结果。
在本发明的至少一个实施例中，所述标准角度参数包括：股骨假体外翻角标准角度参数以及股骨假体屈伸角标准角度参数。
需要说明的是，所述股骨假体外翻角α(femoral valgus angle，FV)标准角度参数参考值在96°±5°，股骨假体屈伸角γ(femoral flexion angle，FF)标准角度参数参考值在90°±2°。
若通过本发明获得的股骨假体的角度参数落入标准角度参数的范围内的数量越多，则膝关节股骨置换术后评估结果越好。即，若股骨假体的角度参数全部落入标准角度参数的范围内，则膝关节股骨置换术后评估结果最好；若股骨假体的角度参数全部未落入标准角度参数的范围内，则膝关节股骨置换术后评估结果最差。
下面对本发明提供的基于深度学习的膝关节股骨置换术后评估方法进行描述，下文描述的基于深度学习的膝关节股骨置换术后评估方法可应用在上文描述的基于深度学习的膝关节股骨置换术后评估系统中。
结合图1，本发明还提供了一种基于深度学习的膝关节股骨置换术后评估方法，包括：
步骤101、获取术后膝关节图像；
需要说明的是，术后膝关节图像包括全膝关节置换手术术后正位X线片或侧位X线片。
步骤102、将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；
步骤103、根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线分别获得股骨假体的角度参数；
步骤104、根据所述股骨假体的角度参数获得术后评估结果。
本发明实施例的基于深度学习的膝关节股骨置换术后评估方法，通过自动识别计算股骨假体空间位置和胫骨假体空间位置，从而获得自动测量术后膝关节假体的角度参数，进而准确评估手术的结果，相比于手动标注方法评价准确性更高，自动化能力更强。
在本发明的至少一个实施例中，所述关键轴线包括：股骨髓腔中心线以及股骨假体最低点连线。
在本发明的至少一个实施例中，所述股骨髓腔中心线根据如下方法获得：
采用第一水平直线扫描股骨或胫骨的轮廓区域获得股骨的两侧交点，分别根据股骨两侧交点的中心点连线获得股骨区域的髓腔中心线。
在本发明的至少一个实施例中，所述股骨假体最低点连线根据如下方法获得：
步骤201、采用第二水平直线由下至上扫描所述股骨假体的轮廓区域，初次相交时获得第一交点；
步骤202、将所述第二水平直线绕所述第一交点顺时针或逆时针旋转，与股骨假体的轮廓区域再次相交时，获得所述股骨假体最低点连线。
在本发明的至少一个实施例中，所述股骨假体前唇线采用如下方法获得：
由于股骨假体前唇一般高于后唇，所以可以通过水平线与股骨假体前唇相交，取右侧离散点通过最小二乘法拟合出股骨假体前唇线。
在本发明的至少一个实施例中，侧位X线片可以通过相同方法计算出股骨髓腔中心线。
在本发明的至少一个实施例中，所述股骨假体的角度参数包括以下至少一组：
股骨假体外翻角；
股骨屈伸角。
在本发明的至少一个实施例中，所述股骨假体外翻角为所述股骨假体最低点连线和所述股骨髓腔中心线之间的夹角；所述股骨假体外翻角α(femoral valgus angle，FV)如图2所示，其定义为股骨假体远端与股骨解剖轴之间的夹角；
所述股骨屈伸角为所述股骨假体前唇线和所述股骨髓腔中心线之间的夹角；所述股骨屈伸角γ(femoral flexion angle，FF)如图4所示，其定义为股骨假体前唇平面或股骨后髁平面与股骨解剖轴的夹角，所述股骨假体前唇线如图3所示，为线段AB所在延长线。
需要说明的是，常用假体包括Ps假体和Cr假体，Ps假体是不保留后交叉韧带，具有髁间盒设计的一类股骨假体，cr假体是保留后交叉韧带，没有髁间盒的一类假体。按theKnee Society Roentgenographic Evaluation and Scoring System(KSRESS)标准测量应该是股骨远端截骨面及假体的具有防旋柱的底部面，但是由于Ps假体髁间盒的缘故很多学者直接选择在了股骨髁前唇的位置。但是很多厂家的前唇角度不一致，可能无法适应其他厂家的假体，不选择后髁的原因在于髁间盒的存在后髁髁间盒高度较高，预留的后髁距离很小无法确保精确度。Cr假体暂不影响。因此本实施例选择股骨假体前唇获得股骨屈伸角。
在本发明的至少一个实施例中，所述识别模型是通过标注有股骨和股骨假体轮廓范围的膝关节图像样本集训练得到的。
在本发明的至少一个实施例中，所述根据所述股骨假体的角度参数获得术后评估结果，包括：
将所述股骨假体的角度参数与标准角度参数进行比对，获得术后评估结果。
在本发明的至少一个实施例中，所述识别模型基于高分辨率网络HRNet卷积神经网络训练得到的。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基于深度学习的膝关节股骨置换术后评估方法，该方法包括：
获取术后膝关节图像；
将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；
根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线分别获得股骨假体的角度参数；
根据所述股骨假体的角度参数获得术后评估结果。
此外，上述的存储器630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膝关节股骨置换术后评估方法，该方法包括：
获取术后膝关节图像；
将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；
根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线分别获得股骨假体的角度参数；
根据所述股骨假体的角度参数获得术后评估结果。
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 (10)

1.一种基于深度学习的膝关节股骨置换术后评估系统，其特征在于，包括：
采集模块，用于获取术后膝关节图像；
识别模块，用于将所述术后膝关节图像输入至基于深度学习的识别模型，获得所述识别模型输出的所述术后膝关节图像中的股骨和股骨假体的轮廓区域；
计算模块，用于根据所述股骨和股骨假体的轮廓区域获得关键轴线，并根据所述关键轴线获得股骨假体的角度参数；
评估模块，用于根据所述股骨假体的角度参数获得术后评估结果。
2.根据权利要求1所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述关键轴线包括：股骨髓腔中心线、股骨假体最低点连线和股骨假体前唇线。
3.根据权利要求2所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述计算模块，在确定髓腔中心线时，具体用于：
采用第一水平直线扫描股骨的轮廓区域得到股骨的两侧交点，根据所述股骨两侧交点的中心点连线获得股骨区域的股骨髓腔中心。
4.根据权利要求2所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述计算模块，在确定股骨假体最低点连线时，具体用于：
采用第二水平直线由下至上扫描所述股骨假体的轮廓区域，初次相交时获得第一交点；
将所述第二水平直线绕所述第一交点顺时针或逆时针旋转，与股骨假体的轮廓区域再次相交时，得到所述股骨假体最低点连线。
5.根据权利要求2所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述股骨假体的角度参数包括以下至少之一：
股骨假体外翻角；
股骨屈伸角。
6.根据权利要求5所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述股骨假体外翻角为所述股骨假体最低点连线和所述股骨髓腔中心线之间的夹角；
所述股骨屈伸角为所述股骨假体前唇线和所述股骨髓腔中心线之间的夹角。
7.根据权利要求1至6中任一所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述评估模块，在根据所述股骨假体的角度参数获得术后评估结果时，具体用于：
将所述股骨假体的角度参数与标准角度参数进行比对，获得术后评估结果。
8.根据权利要求7所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述标准角度参数包括：股骨假体外翻角标准角度参数以及股骨假体屈伸角标准角度参数。
9.根据权利要求1至6中任一所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述识别模型是通过标注有股骨和股骨假体轮廓范围的膝关节图像样本集训练得到的。
10.根据权利要求1至6中任一所述的基于深度学习的膝关节股骨置换术后评估系统，其特征在于，所述识别模型基于高分辨率网络HRNet卷积神经网络训练得到的。
CN202210206435.6A 2022-03-02 2022-03-02 基于深度学习的膝关节股骨置换术后评估系统 Pending CN114612400A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210206435.6A CN114612400A (zh) 2022-03-02 2022-03-02 基于深度学习的膝关节股骨置换术后评估系统
PCT/CN2023/070789 WO2023165260A1 (zh) 2022-03-02 2023-01-05 基于深度学习的膝关节股骨置换术后评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210206435.6A CN114612400A (zh) 2022-03-02 2022-03-02 基于深度学习的膝关节股骨置换术后评估系统

Publications (1)

Publication Number Publication Date
CN114612400A true CN114612400A (zh) 2022-06-10

Family

ID=81860664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210206435.6A Pending CN114612400A (zh) 2022-03-02 2022-03-02 基于深度学习的膝关节股骨置换术后评估系统

Country Status (2)

Country Link
CN (1) CN114612400A (zh)
WO (1) WO2023165260A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023165260A1 (zh) * 2022-03-02 2023-09-07 北京长木谷医疗科技有限公司 基于深度学习的膝关节股骨置换术后评估系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1452946A (zh) * 2003-05-29 2003-11-05 上海交通大学 全自动股骨基轴线确定方法
CN111768400A (zh) * 2020-07-07 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
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
CN113592820A (zh) * 2021-07-30 2021-11-02 瓴域影诺(北京)科技有限公司 一种股骨区域及关键点检测方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612400A (zh) * 2022-03-02 2022-06-10 北京长木谷医疗科技有限公司 基于深度学习的膝关节股骨置换术后评估系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1452946A (zh) * 2003-05-29 2003-11-05 上海交通大学 全自动股骨基轴线确定方法
CN111768400A (zh) * 2020-07-07 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
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
CN113592820A (zh) * 2021-07-30 2021-11-02 瓴域影诺(北京)科技有限公司 一种股骨区域及关键点检测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
博士课件: "全膝关节置换术后影像评估", 《豆丁网》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023165260A1 (zh) * 2022-03-02 2023-09-07 北京长木谷医疗科技有限公司 基于深度学习的膝关节股骨置换术后评估系统

Also Published As

Publication number Publication date
WO2023165260A1 (zh) 2023-09-07

Similar Documents

Publication Publication Date Title
CN112842529B (zh) 全膝关节图像处理方法及装置
US9842394B2 (en) Detection of anatomical landmarks
US9895230B2 (en) Deformable articulating templates
WO2022007972A1 (zh) 一种全髋关节图像的处理方法及装置
CN107146214A (zh) 儿童髋关节发育状况计算机自动诊断的方法
CN114711794A (zh) 基于深度学习的膝关节胫骨置换术后评估系统
CN108042217A (zh) 一种三维空间下肢生物力线的确定方法
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
CN114742747B (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
CN114693602B (zh) 膝关节动张力平衡态评估方法及装置
CN114612400A (zh) 基于深度学习的膝关节股骨置换术后评估系统
CN114711796A (zh) 双下肢负重位力线测量及诊断系统及智能化测量方法
Uemura et al. The effect of pelvic tilt on three‐dimensional coverage of the femoral head: a computational simulation study using patient‐specific anatomy
Short et al. A novel method for in vivo knee prosthesis wear measurement
Niesen et al. Error in maximum total point motion of a tibial baseplate is lower with a reverse-engineered model versus a CAD model using model-based radiostereometric analysis
CA2831458C (en) Customized orthopaedic implants and related methods
Kotcheff et al. Shape model analysis of THR radiographs
CN116158774B (zh) 用于测量胫骨平台后倾角的方法、设备和计算机存储介质
CN114463414A (zh) 膝关节外旋角测量方法、装置、电子设备及存储介质
CN114305391A (zh) 一种深度学习对尿道下裂阴茎弯曲度的测量方法
CN117694911A (zh) 术后假体位置和角度的确定方法、装置及电子设备
CN111568609A (zh) 获取髋臼杯假体覆盖率的方法和装置
CN117952911A (zh) 骨性长度不等的全下肢图像处理方法、装置、设备及介质
CN117894470A (zh) 全髋关节置换术假体撞击预测方法、装置、设备及介质
CN115005857A (zh) 髋关节假体的角度测量方法、装置和测量系统

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
CB02 Change of applicant information

Address after: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Beijing Changmugu Medical Technology Co.,Ltd.

Applicant 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

Applicant before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd.

Applicant before: Zhang Yiling

CB02 Change of applicant information