CN116597002B - 基于深度强化学习的股骨柄自动放置方法、装置及设备 - Google Patents

基于深度强化学习的股骨柄自动放置方法、装置及设备 Download PDF

Info

Publication number
CN116597002B
CN116597002B CN202310537590.0A CN202310537590A CN116597002B CN 116597002 B CN116597002 B CN 116597002B CN 202310537590 A CN202310537590 A CN 202310537590A CN 116597002 B CN116597002 B CN 116597002B
Authority
CN
China
Prior art keywords
femoral
sum
pixel points
calculating
femoral stem
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.)
Active
Application number
CN202310537590.0A
Other languages
English (en)
Other versions
CN116597002A (zh
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 CN202310537590.0A priority Critical patent/CN116597002B/zh
Publication of CN116597002A publication Critical patent/CN116597002A/zh
Application granted granted Critical
Publication of CN116597002B publication Critical patent/CN116597002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/30—Joints
    • A61F2/46—Special tools or methods for implanting or extracting artificial joints, accessories, bone grafts or substitutes, or particular adaptations therefor
    • A61F2/4603—Special tools or methods for implanting or extracting artificial joints, accessories, bone grafts or substitutes, or particular adaptations therefor for insertion or extraction of endoprosthetic joints or of accessories thereof
    • A61F2/4607—Special tools or methods for implanting or extracting artificial joints, accessories, bone grafts or substitutes, or particular adaptations therefor for insertion or extraction of endoprosthetic joints or of accessories thereof of hip femoral endoprostheses
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Transplantation (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Vascular Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种基于深度强化学习的股骨柄自动放置方法、装置、电子设备及计算机可读存储介质。该方法包括：计算股骨髓腔轴线和股骨柄中轴线；计算第一像素点之和；计算第二像素点之和；计算第三像素点之和；计算第四像素点之和；基于第一像素点之和、第二像素点之和、第三像素点之和、第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。本申请能够自动地放置股骨柄，进而提高工作效率。

Description

基于深度强化学习的股骨柄自动放置方法、装置及设备
技术领域
本申请属于深度学习智能识别技术领域，尤其涉及一种基于深度强化学习的股骨柄自动放置方法、装置、电子设备及计算机可读存储介质。
背景技术
目前，股骨柄的放置需要人工依据经验去放置，工作效率低下。
因此，如何自动地放置股骨柄，进而提高工作效率是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种基于深度强化学习的股骨柄自动放置方法、装置、电子设备及计算机可读存储介质，能够自动地放置股骨柄，进而提高工作效率。
第一方面，本申请实施例提供一种基于深度强化学习的股骨柄自动放置方法，包括：
计算股骨髓腔轴线和股骨柄中轴线；
计算第一像素点之和；其中，第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
计算第二像素点之和；其中，第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
计算第三像素点之和；其中，第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
计算第四像素点之和；其中，第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
基于第一像素点之和、第二像素点之和、第三像素点之和、第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；
将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
可选的，在计算股骨髓腔轴线和股骨柄中轴线之前，方法还包括：
获取髋关节CT图像；
将髋关节CT图像输入预设的髋关节多任务分割神经网络模型中，得到分割结果；其中，分割结果包括左侧股骨、右侧股骨和骨盆三个部位的分割结果。
可选的，在将髋关节CT图像输入预设的髋关节多任务分割神经网络模型中之前，方法还包括：
获取髋关节CT图像数据集；
对髋关节CT图像数据集中的髋关节CT图像，标注左侧股骨、右侧股骨和骨盆区域，并确定对应标签，制作训练数据集；
将训练数据集打乱顺序后按照6:2:2的比例划分为训练集、验证集、测试集；
基于训练集、验证集、测试集，对髋关节多任务分割神经网络进行模型训练，得到髋关节多任务分割神经网络模型。
可选的，在模型训练过程中，设置batch size为16；
设置学习率为1e-4；
设置优化器为Adam优化器；
设置损失函数为左侧股骨损失函数、右侧股骨损失函数、盆骨损失函数与各自系数的乘积之和。
可选的，计算股骨髓腔轴线，包括：
提取股骨分割后的图像；
计算股骨分割后的图像的股骨髓腔中心点；
基于股骨髓腔中心点，利用随机梯度下降算法，拟合股骨髓腔轴线。
可选的，计算股骨分割后的图像的股骨髓腔中心点，包括：
确定股骨分割后的图像的零阶矩；
基于零阶矩，确定一阶矩；
基于一阶矩计算股骨髓腔中心点。
可选的，在将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中之前，方法还包括：
计算左右侧小转子的高度差；
计算股骨髓腔轴线和股骨柄中轴线之间的位置差；
基于接触层平均重合率、高度差和位置差，确定深度强化学习网络模型的强化学习奖励机制的奖励函数。
第二方面，本申请实施例提供了一种基于深度强化学习的股骨柄自动放置装置，装置包括：
轴线计算模块，用于计算股骨髓腔轴线和股骨柄中轴线；
第一像素点之和计算模块，用于计算第一像素点之和；其中，第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
第二像素点之和计算模块，用于计算第二像素点之和；其中，第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
第三像素点之和计算模块，用于计算第三像素点之和；其中，第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
第四像素点之和计算模块，用于计算第四像素点之和；其中，第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
接触层平均重合率计算模块，用于基于第一像素点之和、第二像素点之和、第三像素点之和、第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；
股骨柄放置模块，用于将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面所示的基于深度强化学习的股骨柄自动放置方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的基于深度强化学习的股骨柄自动放置方法。
本申请实施例的基于深度强化学习的股骨柄自动放置方法、装置、设备及计算机可读存储介质，能够自动地放置股骨柄，进而提高工作效率。
该基于深度强化学习的股骨柄自动放置方法，包括：计算股骨髓腔轴线和股骨柄中轴线；计算第一像素点之和；其中，第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；计算第二像素点之和；其中，第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；计算第三像素点之和；其中，第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；计算第四像素点之和；其中，第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；基于第一像素点之和、第二像素点之和、第三像素点之和、第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
可见，该方法通过计算像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率，然后将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，基于位置，自动放置股骨柄，进而提高工作效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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是本申请一个实施例提供的基于深度强化学习的股骨柄自动放置方法的流程示意图；
图2是本申请一个实施例提供的髋关节多任务分割神经网络结构示意图；
图3是本申请一个实施例提供的股骨髓腔中心点示意图；
图4是本申请一个实施例提供的股骨髓腔轴线示意图；
图5是本申请一个实施例提供的深度强化学习网络结构示意图；
图6是本申请一个实施例提供的基于深度强化学习的股骨柄自动放置装置的结构示意图；
图7是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，股骨柄的放置需要人工依据经验去放置，工作效率低下。
为了解决现有技术问题，本申请实施例提供了一种基于深度强化学习的股骨柄自动放置方法、装置、设备及计算机可读存储介质。下面首先对本申请实施例所提供的基于深度强化学习的股骨柄自动放置方法进行介绍。
图1示出了本申请一个实施例提供的基于深度强化学习的股骨柄自动放置方法的流程示意图。如图1所示，该基于深度强化学习的股骨柄自动放置方法，包括：
S101、计算股骨髓腔轴线和股骨柄中轴线；
在一个实施例中，在计算股骨髓腔轴线和股骨柄中轴线之前，方法还包括：
获取髋关节CT图像；
将髋关节CT图像输入预设的髋关节多任务分割神经网络模型中，得到分割结果；其中，分割结果包括左侧股骨、右侧股骨和骨盆三个部位的分割结果。
在一个实施例中，在将髋关节CT图像输入预设的髋关节多任务分割神经网络模型中之前，方法还包括：
获取髋关节CT图像数据集；
对髋关节CT图像数据集中的髋关节CT图像，标注左侧股骨、右侧股骨和骨盆区域，并确定对应标签，制作训练数据集；
将训练数据集打乱顺序后按照6:2:2的比例划分为训练集、验证集、测试集；
基于训练集、验证集、测试集，对髋关节多任务分割神经网络进行模型训练，得到髋关节多任务分割神经网络模型。
在一个实施例中，在模型训练过程中，设置batch size为16；
设置学习率为1e-4；
设置优化器为Adam优化器；
设置损失函数为左侧股骨损失函数、右侧股骨损失函数、盆骨损失函数与各自系数的乘积之和。
具体的，图2是髋关节多任务分割神经网络结构示意图，将训练数据集输入到髋关节多任务分割神经网络中训练，卷积核使用3D卷积核，3D网络可以获取图像的上下文信息，相比于2D网络，优势更加明显，训练得到多任务分割模型，可同时分割左侧股骨、右侧股骨和骨盆部位。
髋关节多任务分割神经网络中采用3次下采样，和3次上采样，每一个卷积层使用1x1x1，3x3x3，1x1x1卷积核，在同一尺度下的下采样和上采样之间使用跳跃级联结构，其目的是为了减少特征丢失。
同时该网络使用多任务模式，将分割左侧股骨，分割右侧股骨和分割骨盆三个任务结合在一起，对每一个任务这里使用不同的损失函数，可以分别学习各自的特征，相比于单一的任务和单一损失函数，多任务网络可调节性更强。
左侧股骨和右侧股骨损失函数使用DiceLoss损失函数：
盆骨损失函数使用DiceLoss损失函数：
其中，y为标签值，y'为预测值，α为类别权重，用来权衡正负样本不均衡问题，γ表示难分样本权重，用来衡量难分样本和易分样本，本文实验测得α为0.25，γ为2时效果最好。
Loss＝n*DiceLoss左+m*DiceLoss右+k*FLoss
最终损失函数为Loss，DiceLoss左表示左侧股骨损失函数，DiceLoss右表示右侧股骨损失函数，n+m+k＝1，由于骨盆较难分割，因此在实际训练时可以设置k较大一些，增强网络对骨盆区域的分割。
模型训练过程中，设置batchsize为16，学习率设置为1e-4，优化器使用Adam优化器，损失函数为DICEloss，将训练集全部送入网络进行训练，最终得到训练模型。
在一个实施例中，计算股骨髓腔轴线，包括：
提取股骨分割后的图像；
计算股骨分割后的图像的股骨髓腔中心点；
基于股骨髓腔中心点，利用随机梯度下降算法，拟合股骨髓腔轴线。
在一个实施例中，计算股骨分割后的图像的股骨髓腔中心点，包括：
确定股骨分割后的图像的零阶矩；
基于零阶矩，确定一阶矩；
基于一阶矩计算股骨髓腔中心点。
具体的，图3是本申请一个实施例提供的股骨髓腔中心点示意图，提取股骨分割后的图像，计算每一张图像的中心点，股骨柄中轴线和髓腔中轴线计算方法相同。
分割后的图像只有背景和股骨区域，为二值图像，其零阶矩的定义如下：
其中，V(i,j)是(i,j)点的灰度值，意思是所有像素的灰度值的总和，其一阶矩定义如下：
其中，i，j分别是每个像素的x,y坐标，这个定义本质所有像素点的x,y坐标分别和像素值相乘的积，然后求和得到的，同样M10的结果就是所有股骨区域像素的x坐标的和，M01是所有背景区域y坐标的和。
利用一阶矩，我们可以求出股骨髓腔中心坐标，其公式为：
股骨髓腔轴线和股骨柄轴线计算方法：
三维空间中轴线计算方法如下：
等概率随机抽取一个或一组样本并使用如下迭代更新格式：
其中，表示梯度信息，/>表示梯度算子，ak表示步长。
动量方法在随机梯度下降法基础上引入一个动量变量v，每次迭代时，利用当前点处的梯度对动量进行更新，然后以动量作为一步迭代的增量。动量方法的迭代格式如下：
xk+1＝xk+vk+1
图4是本申请一个实施例提供的股骨髓腔轴线示意图，股骨柄中轴线同样使用该方法拟合中心线。
S102、计算第一像素点之和；其中，第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
MA表示每一层股骨髓腔区域，MB表示和MA同层股骨柄区域，N和M表示每一层股骨髓腔图像长和宽，Pij表示第i行，第j列个像素点。
TP表示MA中MA和MB交集区域的像素点之和：
S103、计算第二像素点之和；其中，第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
FN表示MA中MA和MB交集之外区域的像素点之和：
FN＝SMA-TP
S104、计算第三像素点之和；其中，第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
FP表示MB中MA和MB交集之外区域的像素点之和：
FP＝SMB-TP
S105、计算第四像素点之和；其中，第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
TN表示MB中MA和MB交集区域的像素点之和：
S106、基于第一像素点之和、第二像素点之和、第三像素点之和、第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；
计算每一层股骨柄和髓腔皮质交集面积，占该层股骨皮质概率，即为股骨柄和髓腔接触比率，所有股骨柄和髓腔接触层的平均重合率表示为ratio。计算方法为：
其中，Sa表示股骨柄和每一层股骨髓腔交集面积，Sc表示每一层股骨髓腔面积和，N表示股骨柄和髓腔接触层数。
S107、将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
在一个实施例中，在将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中之前，方法还包括：
计算左右侧小转子的高度差；
计算股骨髓腔轴线和股骨柄中轴线之间的位置差；
基于接触层平均重合率、高度差和位置差，确定深度强化学习网络模型的强化学习奖励机制的奖励函数。
图5是本申请一个实施例提供的深度强化学习网络结构示意图，如图5所示，收集当前的6个状态参数，经过强化学习神经网络，输出股骨柄位置，股骨柄型号两个决策。该神经网络有两个隐藏层，每层包括100个神经元，通过全连接后输出股骨柄位置，股骨柄型号两个状态。
学习策略：
1、股骨柄位置：
腿长差尽可能最小，左右侧小转子的高度差；尽可能使股骨髓腔轴线和股骨柄中轴线重合，学习股骨柄位置。
2、股骨柄型号：
股骨柄嵌入股骨皮质的深度，尽可能使股骨柄和股骨髓腔内侧完全贴合，使得ratio尽可能最小，学习股骨柄型号大小。
3、强化学习奖励机制表示为：
当ratio尽可能最小，股骨髓腔轴线和股骨柄中轴线越接近重合时给与更大的奖励，奖励函数公式R为：
R＝ratio*(Sh+PL)
其中，Sh表示左右侧小转子的高度差，PL股骨髓腔轴线和股骨柄中轴线位置差。
模型训练过程中，训练的batchsize为32，初始化学习率设置为1e-4，附加学习率衰减策略，每迭代5000次，学习率衰减为原来的0.9，优化器使用Adam优化器，使用损失函数为均方差损失函数，设置每迭代1000次，对训练集和验证集做一次验证，通过早停法来判断网络训练停止时间，并得到最终模型。
图6是本申请一个实施例提供的基于深度强化学习的股骨柄自动放置装置的结构示意图，该基于深度强化学习的股骨柄自动放置装置，装置包括：
轴线计算模块601，用于计算股骨髓腔轴线和股骨柄中轴线；
第一像素点之和计算模块602，用于计算第一像素点之和；其中，第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
第二像素点之和计算模块603，用于计算第二像素点之和；其中，第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
第三像素点之和计算模块604，用于计算第三像素点之和；其中，第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
第四像素点之和计算模块605，用于计算第四像素点之和；其中，第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
接触层平均重合率计算模块606，用于基于第一像素点之和、第二像素点之和、第三像素点之和、第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；
股骨柄放置模块607，用于将股骨髓腔轴线、股骨柄中轴线和接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
图7示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在电子设备的内部或外部。在特定实施例中，存储器302可以是非易失性固态存储器。
在一个实施例中，存储器302可以是只读存储器(Read Only Memory，ROM)。在一个实施例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的任意一种基于深度强化学习的股骨柄自动放置方法。
在一个示例中，电子设备还可包括通信接口303和总线310。其中，如图7所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的基于深度强化学习的股骨柄自动放置方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于深度强化学习的股骨柄自动放置方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种基于深度强化学习的股骨柄自动放置方法，其特征在于，包括：
计算股骨髓腔轴线和股骨柄中轴线；
计算第一像素点之和；其中，所述第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
计算第二像素点之和；其中，所述第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
计算第三像素点之和；其中，所述第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
计算第四像素点之和；其中，所述第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
基于所述第一像素点之和、所述第二像素点之和、所述第三像素点之和、所述第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；
将所述股骨髓腔轴线、所述股骨柄中轴线和所述接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
2.根据权利要求1所述的基于深度强化学习的股骨柄自动放置方法，其特征在于，在所述计算股骨髓腔轴线和股骨柄中轴线之前，所述方法还包括：
获取髋关节CT图像；
将所述髋关节CT图像输入预设的髋关节多任务分割神经网络模型中，得到分割结果；其中，所述分割结果包括左侧股骨、右侧股骨和骨盆三个部位的分割结果。
3.根据权利要求2所述的基于深度强化学习的股骨柄自动放置方法，其特征在于，在所述将所述髋关节CT图像输入预设的髋关节多任务分割神经网络模型中之前，所述方法还包括：
获取髋关节CT图像数据集；
对所述髋关节CT图像数据集中的髋关节CT图像，标注左侧股骨、右侧股骨和骨盆区域，并确定对应标签，制作训练数据集；
将训练数据集打乱顺序后按照6:2:2的比例划分为训练集、验证集、测试集；
基于所述训练集、验证集、测试集，对髋关节多任务分割神经网络进行模型训练，得到所述髋关节多任务分割神经网络模型。
4.根据权利要求3所述的基于深度强化学习的股骨柄自动放置方法，其特征在于，在模型训练过程中，设置batch size为16；
设置学习率为1e-4；
设置优化器为Adam优化器；
设置损失函数为左侧股骨损失函数、右侧股骨损失函数、盆骨损失函数与各自系数的乘积之和。
5.根据权利要求4所述的基于深度强化学习的股骨柄自动放置方法，其特征在于，所述计算股骨髓腔轴线，包括：
提取股骨分割后的图像；
计算股骨分割后的图像的股骨髓腔中心点；
基于所述股骨髓腔中心点，利用随机梯度下降算法，拟合所述股骨髓腔轴线。
6.根据权利要求5所述的基于深度强化学习的股骨柄自动放置方法，其特征在于，所述计算股骨分割后的图像的股骨髓腔中心点，包括：
确定股骨分割后的图像的零阶矩；
基于所述零阶矩，确定一阶矩；
基于所述一阶矩计算所述股骨髓腔中心点。
7.根据权利要求6所述的基于深度强化学习的股骨柄自动放置方法，其特征在于，在所述将所述股骨髓腔轴线、所述股骨柄中轴线和所述接触层平均重合率输入预设的深度强化学习网络模型中之前，所述方法还包括：
计算左右侧小转子的高度差；
计算股骨髓腔轴线和股骨柄中轴线之间的位置差；
基于所述接触层平均重合率、所述高度差和所述位置差，确定所述深度强化学习网络模型的强化学习奖励机制的奖励函数。
8.一种基于深度强化学习的股骨柄自动放置装置，其特征在于，所述装置包括：
轴线计算模块，用于计算股骨髓腔轴线和股骨柄中轴线；
第一像素点之和计算模块，用于计算第一像素点之和；其中，所述第一像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
第二像素点之和计算模块，用于计算第二像素点之和；其中，所述第二像素点之和是每一层股骨髓腔区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
第三像素点之和计算模块，用于计算第三像素点之和；其中，所述第三像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域之外的像素点之和；
第四像素点之和计算模块，用于计算第四像素点之和；其中，所述第四像素点之和是每一层股骨柄区域中股骨髓腔区域与同层股骨柄区域之间交集区域的像素点之和；
接触层平均重合率计算模块，用于基于所述第一像素点之和、所述第二像素点之和、所述第三像素点之和、所述第四像素点之和，计算股骨柄与股骨髓腔之间的接触层平均重合率；
股骨柄放置模块，用于将所述股骨髓腔轴线、所述股骨柄中轴线和所述接触层平均重合率输入预设的深度强化学习网络模型中，输出相应型号股骨柄的位置，以自动放置股骨柄。
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的基于深度强化学习的股骨柄自动放置方法。
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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的基于深度强化学习的股骨柄自动放置方法。
CN202310537590.0A 2023-05-12 2023-05-12 基于深度强化学习的股骨柄自动放置方法、装置及设备 Active CN116597002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310537590.0A CN116597002B (zh) 2023-05-12 2023-05-12 基于深度强化学习的股骨柄自动放置方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310537590.0A CN116597002B (zh) 2023-05-12 2023-05-12 基于深度强化学习的股骨柄自动放置方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116597002A CN116597002A (zh) 2023-08-15
CN116597002B true CN116597002B (zh) 2024-01-30

Family

ID=87607448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310537590.0A Active CN116597002B (zh) 2023-05-12 2023-05-12 基于深度强化学习的股骨柄自动放置方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116597002B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635546A (zh) * 2023-11-14 2024-03-01 北京长木谷医疗科技股份有限公司 基于对比学习及弱监督的股骨头坏死区域识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111888059A (zh) * 2020-07-06 2020-11-06 北京长木谷医疗科技有限公司 基于深度学习与x线的全髋关节置换术前规划方法及装置
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
CN113744214A (zh) * 2021-08-24 2021-12-03 北京长木谷医疗科技有限公司 基于深度强化学习的股骨柄放置方法、装置及电子设备
CN114419618A (zh) * 2022-01-27 2022-04-29 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术前规划系统
CN115844531A (zh) * 2023-02-22 2023-03-28 北京壹点灵动科技有限公司 髋关节置换手术导航系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111888059A (zh) * 2020-07-06 2020-11-06 北京长木谷医疗科技有限公司 基于深度学习与x线的全髋关节置换术前规划方法及装置
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
CN113744214A (zh) * 2021-08-24 2021-12-03 北京长木谷医疗科技有限公司 基于深度强化学习的股骨柄放置方法、装置及电子设备
WO2023024883A1 (zh) * 2021-08-24 2023-03-02 北京长木谷医疗科技有限公司 基于深度强化学习的股骨柄放置方法、装置及电子设备
CN114419618A (zh) * 2022-01-27 2022-04-29 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术前规划系统
CN115844531A (zh) * 2023-02-22 2023-03-28 北京壹点灵动科技有限公司 髋关节置换手术导航系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Learning and Computer Vision Techniques for Automated Total Hip Arthroplasty Planning on 2-D Radiographs;Minwoo Kim 等;IEEE Access;全文 *
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;吴东 等;骨与关节修复重建;全文 *

Also Published As

Publication number Publication date
CN116597002A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116597002B (zh) 基于深度强化学习的股骨柄自动放置方法、装置及设备
CN110555368B (zh) 基于三维卷积神经网络的跌倒行为识别方法
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
CN111539480B (zh) 多类别医学图像识别方法及设备
CN110992351B (zh) 基于多输入卷积神经网络的sMRI图像分类方法和装置
CN112233777A (zh) 基于深度学习的胆结石自动识别及分割系统、计算机设备、存储介质
CN116309636A (zh) 基于多任务神经网络模型的膝关节分割方法、装置及设备
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN109146868A (zh) 3d肺结节生成方法、装置及电子设备
CN113223614A (zh) 一种染色体核型分析方法、系统、终端设备和存储介质
CN116747026B (zh) 基于深度强化学习的机器人智能截骨方法、装置及设备
CN116650110B (zh) 基于深度强化学习的膝关节假体自动放置方法及装置
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN115115790B (zh) 预测模型的训练方法、地图预测方法及装置
CN116747016A (zh) 智能手术机器人导航定位系统及方法
CN117350992A (zh) 基于自导向注意机制多任务分割网络金属植入物识别方法
CN111210398A (zh) 基于多尺度池化的白细胞识别系统
CN112200862A (zh) 目标检测模型的训练方法、目标检测方法及装置
CN117037258A (zh) 面部图像的检测方法、装置、存储介质及电子设备
CN117315380A (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN116152197B (zh) 膝关节分割方法、装置、电子设备及计算机可读存储介质
CN116959307A (zh) 一种基于虚拟现实的髋关节镜手术辅助教学系统
CN109934352B (zh) 智能模型的自动进化方法
CN110415244A (zh) 判断骨骼状态的方法及其模型训练方法、装置
CN112950652A (zh) 机器人及其手部图像分割方法和装置

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