CN116650110B - 基于深度强化学习的膝关节假体自动放置方法及装置 - Google Patents
基于深度强化学习的膝关节假体自动放置方法及装置 Download PDFInfo
- Publication number
- CN116650110B CN116650110B CN202310692674.1A CN202310692674A CN116650110B CN 116650110 B CN116650110 B CN 116650110B CN 202310692674 A CN202310692674 A CN 202310692674A CN 116650110 B CN116650110 B CN 116650110B
- Authority
- CN
- China
- Prior art keywords
- knee joint
- data
- reinforcement learning
- joint prosthesis
- network
- 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
Links
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 137
- 230000002787 reinforcement Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 210000003127 knee Anatomy 0.000 abstract description 46
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- 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
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Image Processing (AREA)
Abstract
本申请提供了一种基于深度强化学习的膝关节假体自动放置方法、装置、设备及计算机可读存储介质。该基于深度强化学习的膝关节假体自动放置方法，包括：获取膝关节图像和膝关节关键点数据；将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的。根据本申请实施例，能够提高膝关节假体放置的效率和准确率。
Description
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膝关节假体自动放置方法、装置、设备及计算机可读存储介质。
背景技术
目前，膝关节假体放置是靠医生依据经验进行放置，导致膝关节假体放置的效率和准确率较低。
因此，如何提高膝关节假体放置的效率和准确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膝关节假体自动放置方法、装置、设备及计算机可读存储介质，能够提高膝关节假体放置的效率和准确率。
第一方面，本申请实施例提供一种基于深度强化学习的膝关节假体自动放置方法，包括：
获取膝关节图像和膝关节关键点数据；
将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；
将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的。
可选的，状态信息包括膝关节假体每一次移动位置后的空间坐标、膝关节假体数据、膝关节假体型号、膝关节截骨面数据、膝关节关键点数据。
可选的，在模型训练过程中，设置训练的batch_size为32；
设置初始化学习率为1e-4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
设置优化器为Adam优化器；
设置损失函数为DICE loss；
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，并得到深度强化学习网络模型。
可选的，还包括：
计算当前状态的估计值；
基于估计值和预设的目标值，计算损失值；
基于损失值更新网络参数。
可选的，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的，包括：
对样本的膝关节骨骼数据进行特征提取操作，得到第一特征数据；
对样本的状态信息进行特征提取操作，得到第二特征数据；
将第一特征数据和第二特征数据进行特征融合，得到第三特征数据；
将第三特征数据依次经过两层全连接层，得到第四特征数据；
将第三特征数据和第四特征数据进行特征融合，得到第五特征数据；
将第五特征数据连接两个全连接层，分别输出膝关节假体位置和膝关节假体型号，得到深度强化学习网络模型。
可选的，还包括：
判断膝关节假体移动是有效移动还是无效移动；
若膝关节假体移动是有效移动，则依据奖励机制给正奖励；
若膝关节假体移动是无效移动，则依据奖励机制给负奖励。
可选的，奖励机制如下：
第二方面，本申请实施例提供了一种基于深度强化学习的膝关节假体自动放置装置，装置包括：
数据获取模块，用于获取膝关节图像和膝关节关键点数据；
图像分割模块，用于将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；
假体放置模块，用于将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的。
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；
所述处理器执行所述计算机程序指令时实现如第一方面的基于深度强化学习的膝关节假体自动放置方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，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第一方面的基于深度强化学习的膝关节假体自动放置方法。
本申请实施例的基于深度强化学习的膝关节假体自动放置方法、装置、设备及计算机可读存储介质，能够提高膝关节假体放置的效率和准确率。
该基于深度强化学习的膝关节假体自动放置方法，包括：获取膝关节图像和膝关节关键点数据；将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的。
可见，该方法将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体，能够提高膝关节假体放置的效率和准确率。
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膝关节假体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基于深度强化学习的膝关节假体自动放置方法的流程示意图；
图3是本申请一个实施例提供的强化学习网络框架示意图；
图4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5是本申请一个实施例提供的膝关节假体最终位置放置示意图；
图6是本申请一个实施例提供的基于深度强化学习的膝关节假体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，膝关节假体放置是靠医生依据经验进行放置，导致膝关节假体放置的效率和准确率较低。
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膝关节假体自动放置方法、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膝关节假体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膝关节假体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膝关节假体自动放置方法，包括：
S101、获取膝关节图像和膝关节关键点数据；
S102、将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；
S103、将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的。
图2是本申请一个实施例提供的基于深度强化学习的膝关节假体自动放置方法的流程示意图。
在一个实施例中，状态信息包括膝关节假体每一次移动位置后的空间坐标、膝关节假体数据、膝关节假体型号、膝关节截骨面数据、膝关节关键点数据。
具体的，数据采集包括：
获取膝关节CT数据，通过图像分割网络得到膝关节各个骨骼数据，图像分割网络可以为2D神经网络或3D神经网络。
强化学习神经网络输入数据：
1)膝关节假体每一次移动位置后的空间坐标。
2)膝关节假体数据。
3)膝关节假体型号。
4)膝关节骨骼数据。
5)膝关节截骨面数据。
6)膝关节关键点坐标。
在一个实施例中，在模型训练过程中，设置训练的batch_size为32；
设置初始化学习率为1e-4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
设置优化器为Adam优化器；
设置损失函数为DICE loss；
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，并得到深度强化学习网络模型。
在一个实施例中，还包括：
计算当前状态的估计值；
基于估计值和预设的目标值，计算损失值；
基于损失值更新网络参数。
具体的，深度强化学习网络流程：
深度强化学习网络，当强化学习场景中的动作和状态空间维度很大时，一般的学习很难完成这样复杂的任务。因此，本算法包含两个神经网络，即估计值网络和目标值网络。强化学习的目标是保证估计值网络输出的估计值和目标值网络输出的目标值越相近越好，该过程可以通过损失函数表示为：
Loss＝(Q目标值-Q(st，at，θ))2
其中，其中s表示状态信息，a表示动作信息，γ∈[0,1]表示折扣因子，Q(st，at，θ)是当前状态的估计值。
图3是本申请一个实施例提供的强化学习网络框架示意图，估计值网络的参数更新需要通过求损失函数的梯度得到，而目标值网络则通过每N步复制一次估计值网络的参数进行更新。为了避免强化学习的状态之间存在相关性，采用记忆单元来存放状态。在训练时，从中随机取一些样本来训练，这样可以打破样本之间的相关性，从而提高学习效率。神经网络的两个输入局部观测值和目标位置，局部观测值是膝关节假体每一次移动的空间位置，目标位置是最终膝关节假体的位置。
在一个实施例中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的，包括：
对样本的膝关节骨骼数据进行特征提取操作，得到第一特征数据；
对样本的状态信息进行特征提取操作，得到第二特征数据；
将第一特征数据和第二特征数据进行特征融合，得到第三特征数据；
将第三特征数据依次经过两层全连接层，得到第四特征数据；
将第三特征数据和第四特征数据进行特征融合，得到第五特征数据；
将第五特征数据连接两个全连接层，分别输出膝关节假体位置和膝关节假体型号，得到深度强化学习网络模型。
具体的，搭建深度强化学习神经网络结构如图4所示，收集当前的6个状态参数，经过强化学习神经网络，输出膝关节假体位置和型号信息这个决策。该网络学习膝关节假体放置的过程和假体型号大小，也就是膝关节假体每一次移动过程中的空间位置以及最终位置，和假体最后型号大小。
输入图像为膝关节骨骼数据，输入状态信息为膝关节假体每一次移动位置后的空间坐标、膝关节假体数据、膝关节假体型号、膝关节截骨面数据、膝关节关键点坐标。
输入图像和输入状态信息经过特征提取后，通过两个全连接层输入到LSTM单元中。该过程由两个全连接层构成，第一个全连接网络包含1024个神经元，其激活函数采用线性整流函数ReLU，sξ表示机械臂与环境交互的状态信息，第一层全连接的输出可以表示为：
其中，W1是第一层网络的权重，b1是其偏差。第二个全连接层的输入是第一个全连接层的输出，第二层全连接层由512个神经元构成，采用ReLU函数，这一层的输出表示：
其中，W2和b2分别为第二个全连接层网络的权重和偏差。利用softmax函数输出向量为：
其中，W3和b3分别是输出层的权重和偏差，softmax是归一化指数函数。输出用于训练每一次膝关节假体移动位置和型号信息。之后输入到LSTM网络中，通过对这些状态信息学习，并分别连接一个全连接层输出膝关节假体位置信息和膝关节假体型号信息。
在一个实施例中，还包括：
判断膝关节假体移动是有效移动还是无效移动；
若膝关节假体移动是有效移动，则依据奖励机制给正奖励；
若膝关节假体移动是无效移动，则依据奖励机制给负奖励。
膝关节假体移动规则：上下左右，旋转或者不动。
存在无效移动，规定只在有效移动中采取行动(给无效移动一个负奖励，效果更好)。鼓励探索，可以静止不动(当静止不动时给一个负奖励，效果更好)。
当膝关节假体接近截骨面时，给与正奖励。
在一个实施例中，奖励机制如下：
在一个实施例中，膝关节假体最终位置放置示意图如图5所示。
图6是本申请一个实施例提供的基于深度强化学习的膝关节假体自动放置装置的结构示意图，一种基于深度强化学习的膝关节假体自动放置装置，装置包括：
数据获取模块601，用于获取膝关节图像和膝关节关键点数据；
图像分割模块602，用于将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；
假体放置模块603，用于将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的。
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701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701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702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702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702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702可在电子设备的内部或外部。在特定实施例中，存储器702可以是非易失性固态存储器。
在一个实施例中，存储器702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701通过读取并执行存储器702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膝关节假体自动放置方法。
在一个示例中，电子设备还可包括通信接口703和总线。其中，如图7所示，处理器701、存储器702、通信接口703通过总线连接并完成相互间的通信。
通信接口703，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膝关节假体自动放置方法，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膝关节假体自动放置方法。
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 (1)
1.一种基于深度强化学习的膝关节假体自动放置装置，其特征在于，装置包括：
数据获取模块，用于获取膝关节图像和膝关节关键点数据；
图像分割模块，用于将膝关节图像输入图像分割网络模型，得到膝关节骨骼数据；
假体放置模块，用于将膝关节骨骼数据和膝关节关键点数据，输入预设的深度强化学习网络模型中，输出膝关节假体位置和膝关节假体型号，以自动放置膝关节假体；其中，深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的；
状态信息包括膝关节假体每一次移动位置后的空间坐标、膝关节假体数据、膝关节假体型号、膝关节截骨面数据、膝关节关键点数据；
在模型训练过程中，设置训练的batch_size为32；
设置初始化学习率为1e-4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
设置优化器为Adam优化器；
设置损失函数为DICE loss；
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，并得到深度强化学习网络模型；
所述的基于深度强化学习的膝关节假体自动放置装置，执行基于深度强化学习的膝关节假体自动放置方法，该方法还包括：
计算当前状态的估计值；
基于估计值和预设的目标值，计算损失值；
基于损失值更新网络参数；
其中，深度强化学习网络流程：
深度强化学习网络，当强化学习场景中的动作和状态空间维度很大时，一般的学习很难完成这样复杂的任务；因此，本算法包含两个神经网络，即估计值网络和目标值网络；强化学习的目标是保证估计值网络输出的估计值和目标值网络输出的目标值越相近越好，该过程通过损失函数表示为：
其中， s 表示状态信息，a 表示动作信息，γ ∈[0,1]表示折扣因子， 是当前状态的估计值；
估计值网络的参数更新需要通过求损失函数的梯度得到，而目标值网络则通过每N步复制一次估计值网络的参数进行更新；为了避免强化学习的状态之间存在相关性，采用记忆单元来存放状态；在训练时，从中随机取一些样本来训练，这样打破样本之间的相关性，从而提高学习效率；神经网络的两个输入局部观测值和目标位置，局部观测值是膝关节假体每一次移动的空间位置，目标位置是最终膝关节假体的位置；
深度强化学习网络模型是基于样本的膝关节骨骼数据和状态信息经过模型训练得到的，包括：
对样本的膝关节骨骼数据进行特征提取操作，得到第一特征数据；
对样本的状态信息进行特征提取操作，得到第二特征数据；
将第一特征数据和第二特征数据进行特征融合，得到第三特征数据；
将第三特征数据依次经过两层全连接层，得到第四特征数据；
将第三特征数据和第四特征数据进行特征融合，得到第五特征数据；
将第五特征数据连接两个全连接层，分别输出膝关节假体位置和膝关节假体型号，得到深度强化学习网络模型；
其中，深度强化学习神经网络结构，收集当前的6个状态参数，经过强化学习神经网络，输出膝关节假体位置和型号信息这个决策；该网络学习膝关节假体放置的过程和假体型号大小，也就是膝关节假体每一次移动过程中的空间位置以及最终位置，和假体最后型号大小；
输入图像为膝关节骨骼数据，输入状态信息为膝关节假体每一次移动位置后的空间坐标、膝关节假体数据、膝关节假体型号、膝关节截骨面数据、膝关节关键点坐标；
输入图像和输入状态信息经过特征提取后，通过两个全连接层输入到LSTM单元中；该过程由两个全连接层构成，第一个全连接网络包含1024个神经元，其激活函数采用线性整流函数 ReLU，表示机械臂与环境交互的状态信息，第一层全连接的输出可以表示为：
其中，W1 是第一层网络的权重，b1 是其偏差；第二个全连接层的输入是第一个全连接层的输出，第二层全连接层由512 个神经元构成，采用ReLU 函数，这一层的输出表示：
.
其中，W2 和b2 分别为第二个全连接层网络的权重和偏差；利用softmax 函数输出向量为：
其中，W3 和b3 分别是输出层的权重和偏差，softmax 是归一化指数函数；输出用于训练每一次膝关节假体移动位置和型号信息；之后输入到LSTM 网络中，通过对这些状态信息学习，并分别连接一个全连接层输出膝关节假体位置信息和膝关节假体型号信息；
所述的基于深度强化学习的膝关节假体自动放置装置，还用于：
判断膝关节假体移动是有效移动还是无效移动；
若膝关节假体移动是有效移动，则依据奖励机制给正奖励；
若膝关节假体移动是无效移动，则依据奖励机制给负奖励；
奖励机制如下：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692674.1A CN116650110B (zh) | 2023-06-12 | 2023-06-12 | 基于深度强化学习的膝关节假体自动放置方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692674.1A CN116650110B (zh) | 2023-06-12 | 2023-06-12 | 基于深度强化学习的膝关节假体自动放置方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116650110A CN116650110A (zh) | 2023-08-29 |
| CN116650110B true CN116650110B (zh) | 2024-05-07 |
Family
ID=87715016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310692674.1A Active CN116650110B (zh) | 2023-06-12 | 2023-06-12 | 基于深度强化学习的膝关节假体自动放置方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116650110B (zh) |
Families Citing this family (1)
| 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 (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111938813A (zh) * | 2020-07-21 | 2020-11-17 | 南京市第一医院 | 一种髋关节翻修手术的术前规划方法 |
| 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 |
| CN112957126A (zh) * | 2021-02-10 | 2021-06-15 | 北京长木谷医疗科技有限公司 | 基于深度学习的单髁置换术前规划方法和相关设备 |
| 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 |
| CN113660913A (zh) * | 2019-02-05 | 2021-11-16 | 史密夫和内修有限公司 | 用于改进机器人手术系统的方法及其装置 |
| CN113662660A (zh) * | 2021-10-22 | 2021-11-19 | 杭州键嘉机器人有限公司 | 关节置换术前规划方法、装置、设备及存储介质 |
| CN113842211A (zh) * | 2021-09-03 | 2021-12-28 | 北京长木谷医疗科技有限公司 | 膝关节置换的三维术前规划方法及系统 |
| 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 |
| CN114431957A (zh) * | 2022-04-12 | 2022-05-06 | 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 |
| EP3998996A1 (en) * | 2019-07-17 | 2022-05-25 | Prometheus Regeneration R&D Limited | Method for designing a joint prosthesis |
| CN115826581A (zh) * | 2022-12-28 | 2023-03-21 | 大连大学 | 一种模糊控制与强化学习结合的移动机器人路径规划算法 |
| CN115951580A (zh) * | 2023-01-04 | 2023-04-11 | 北方工业大学 | 一种四足机器人自主运动控制学习方法 |
| CN116152197A (zh) * | 2023-02-21 | 2023-05-23 | 北京长木谷医疗科技有限公司 | 膝关节分割方法、装置、电子设备及计算机可读存储介质 |
| CN116168801A (zh) * | 2022-12-27 | 2023-05-26 | 杭州键嘉医疗科技股份有限公司 | 一种髋关节置换手术中智能化推荐假体参数的方法、装置、设备及存储介质 |
| CN116172763A (zh) * | 2022-12-27 | 2023-05-30 | 杭州键嘉医疗科技股份有限公司 | 一种端到端的髋关节置换手术规划方案智能化生成装置和方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009111626A2 (en) * | 2008-03-05 | 2009-09-11 | Conformis, Inc. | Implants for altering wear patterns of articular surfaces |
| US8078440B2 (en) * | 2008-09-19 | 2011-12-13 | Smith & Nephew, Inc. | Operatively tuning implants for increased performance |
| US8160326B2 (en) * | 2008-10-08 | 2012-04-17 | Fujifilm Medical Systems Usa, Inc. | Method and system for surgical modeling |
| US9788975B2 (en) * | 2011-10-28 | 2017-10-17 | Zimmer, Inc. | Method of estimating soft tissue balance for knee arthroplasty |
| US10314653B2 (en) * | 2011-12-29 | 2019-06-11 | Mako Surgical Corp. | Systems and methods for prosthetic component orientation |
| WO2023056261A1 (en) * | 2021-09-30 | 2023-04-06 | Microport Orthopedics Holdings Inc. | Systems and methods of using photogrammetry for intraoperatively aligning surgical elements |
-
2023
- 2023-06-12 CN CN202310692674.1A patent/CN116650110B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113660913A (zh) * | 2019-02-05 | 2021-11-16 | 史密夫和内修有限公司 | 用于改进机器人手术系统的方法及其装置 |
| EP3998996A1 (en) * | 2019-07-17 | 2022-05-25 | Prometheus Regeneration R&D Limited | Method for designing a joint prosthesis |
| 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 |
| CN111938813A (zh) * | 2020-07-21 | 2020-11-17 | 南京市第一医院 | 一种髋关节翻修手术的术前规划方法 |
| 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 |
| CN112957126A (zh) * | 2021-02-10 | 2021-06-15 | 北京长木谷医疗科技有限公司 | 基于深度学习的单髁置换术前规划方法和相关设备 |
| 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 |
| CN113842211A (zh) * | 2021-09-03 | 2021-12-28 | 北京长木谷医疗科技有限公司 | 膝关节置换的三维术前规划方法及系统 |
| CN113662660A (zh) * | 2021-10-22 | 2021-11-19 | 杭州键嘉机器人有限公司 | 关节置换术前规划方法、装置、设备及存储介质 |
| 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 |
| CN114431957A (zh) * | 2022-04-12 | 2022-05-06 | 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 |
| CN116168801A (zh) * | 2022-12-27 | 2023-05-26 | 杭州键嘉医疗科技股份有限公司 | 一种髋关节置换手术中智能化推荐假体参数的方法、装置、设备及存储介质 |
| CN116172763A (zh) * | 2022-12-27 | 2023-05-30 | 杭州键嘉医疗科技股份有限公司 | 一种端到端的髋关节置换手术规划方案智能化生成装置和方法 |
| CN115826581A (zh) * | 2022-12-28 | 2023-03-21 | 大连大学 | 一种模糊控制与强化学习结合的移动机器人路径规划算法 |
| CN115951580A (zh) * | 2023-01-04 | 2023-04-11 | 北方工业大学 | 一种四足机器人自主运动控制学习方法 |
| CN116152197A (zh) * | 2023-02-21 | 2023-05-23 | 北京长木谷医疗科技有限公司 | 膝关节分割方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 人工智能三维术前规划在全髋关节置换术中的应用和准确性分析;丁冉等;生物骨科材料与临床研究;第19卷(第2期);33-38 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116650110A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN116306323B (zh) | 一种数字孪生模型的确定方法、装置、终端设备及介质 | |
| CN114162146B (zh) | 行驶策略模型训练方法以及自动驾驶的控制方法 | |
| CN115860107B (zh) | 一种基于多智能体深度强化学习的多机探寻方法及系统 | |
| Öztürk et al. | Transfer learning and fine‐tuned transfer learning methods' effectiveness analyse in the CNN‐based deep learning models | |
| CN110826581A (zh) | 一种动物数量识别方法、装置、介质及电子设备 | |
| CN116543221A (zh) | 关节病变智能检测方法、装置、设备及可读存储介质 | |
| 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 | |
| CN111210398A (zh) | 基于多尺度池化的白细胞识别系统 | |
| CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| CN116363150A (zh) | 髋关节分割方法、装置、电子设备及计算机可读存储介质 | |
| CN113177554A (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
| CN116704549A (zh) | 三维空间关键点的位置检测方法、装置、设备及存储介质 | |
| 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 | |
| CN116747026A (zh) | 基于深度强化学习的机器人智能截骨方法、装置及设备 | |
| CN116152197A (zh) | 膝关节分割方法、装置、电子设备及计算机可读存储介质 | |
| CN114385846A (zh) | 一种图像分类方法、电子设备、存储介质及程序产品 | |
| CN115240843A (zh) | 基于结构因果模型的公平性预测系统 | |
| CN114187470A (zh) | 垃圾分类模型的训练方法、垃圾分类方法及装置 | |
| CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 | |
| CN114202494A (zh) | 基于细胞分类模型分类细胞的方法、装置及设备 | |
| CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
| CN116188492B (zh) | 髋关节分割方法、装置、电子设备及计算机可读存储介质 | |
| CN116644781B (zh) | 模型压缩方法、数据处理方法、装置、存储介质及芯片 | |
| 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 |
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 |