CN116740341A - 一种自动生成椎弓根螺钉最优置入路径的方法与系统 - Google Patents
一种自动生成椎弓根螺钉最优置入路径的方法与系统 Download PDFInfo
- Publication number
- CN116740341A CN116740341A CN202310646439.0A CN202310646439A CN116740341A CN 116740341 A CN116740341 A CN 116740341A CN 202310646439 A CN202310646439 A CN 202310646439A CN 116740341 A CN116740341 A CN 116740341A
- Authority
- CN
- China
- Prior art keywords
- pedicle screw
- pedicle
- point
- screw
- tail
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012946 outsourcing Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000037182 bone density Effects 0.000 abstract description 3
- 230000001172 regenerating effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 241001497337 Euscorpius gamma Species 0.000 description 1
- 208000020307 Spinal disease Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Surgical Instruments (AREA)
Abstract
一种自动生成椎弓根螺钉最优置入路径的方法与系统,其包括通过椎体神经网络模型分割CT医学图像内的椎体,得到椎体Mask;基于椎体Mask的最小外包长方体或优化外包长方体,将相应患者椎体的原始CT医学图像区域,作为回归算法模块的输入,计算得到满足条件的左右两个椎弓根螺钉尾点和中点热图;获取椎弓根螺钉的进钉点和椎弓根螺钉参数;基于椎弓根螺钉的最优候选路径和椎弓根螺钉参数,在椎体内置入左右两个所述椎弓根螺钉。因此,本发明通过计算椎弓根螺钉的尾点和中点后再生成进钉点的方式,简化了算法,并且通过计算的热图和CT图像的灰度值HU,结合了骨密度的概念,体现了椎弓根螺钉在患者体内的最大附着牢固力。
Description
技术领域
本发明涉及基于医学图像处理的外科手术机器技术领域,尤其涉及一种应用于脊柱手术机器人中的自动生成椎弓根螺钉最优置入路径的方法与系统。
背景技术
椎弓根螺钉在脊柱手术中的内固定、椎间盘融合等应用中扮演重要角色,可以有效固定椎体,并在脊柱疾病的治疗上有明显的临床优势,从而在脊柱外科手术中得到广泛使用。
传统的椎弓钉置入路径绝大部分都是由医生手工制定的,或是少数基于术前CT图像手工制定、或是通过术中多次X光透视现场制定,操作起来复杂而且费时。
目前也有一些自动的规划方法,比如中国专利公开号CN115689971A涉及的基于深度学习的椎弓根植钉通道规划方法,其先对CT图像进行切片,再确定椎弓根边界,再根据所谓的中心点获取植钉通道,但其在切片下的运算容易忽视3D的整体信息。
中国专利公开号CN115399874A涉及的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其先计算椎体的几个参考面,再根据内倾角等推理计算出最优路径。
中国专利公开号CN114358388A涉及的基于多个三维椎骨图像,在多个椎骨节段对应的局部坐标系中定位手术路径关键点,从而规划对应的手术路径。
中国专利公开号CN113781496A涉及的基于锥形束CT(Cone beam CT,简称CBCT)图像,通过分割椎体模块、入点和中点的特征点热图进行路径的规划和椎弓根螺钉大小的选择。
然而,上述的专利和技术只考虑了放置椎弓根螺钉的路径或大小,并没有考虑放置椎弓根螺钉后的该钉子在患者体内的附着牢固力。
发明内容
为解决的上述技术问题,本发明提出一种自动生成椎弓根螺钉最优置入路径的方法与系统,其基于之前椎弓根螺钉置入手术的采用经验方案所拍摄的CT图像,采用人工智能深度学习技术训练技术,自动计算出以牢固最优原则的椎弓根螺钉的置入路径通道、椎弓根螺钉长度和直径等。
为实现上述目的,本发明的技术方案如下:
一种自动生成椎弓根螺钉最优置入路径的方法,其包括:
步骤S1:通过人工智能深度学习技术训练的VNET卷积神经网络模型,获取患者脊椎的CT医学图像,采用所述VNET卷积神经网络模型,分割所述CT医学图像内的所有椎体,得到每个椎体的命名以及得到与每一个椎体相应的椎体Mask;
步骤S2:确定每一个所需置入左右两个椎弓根螺钉的所述椎体,并基于所述椎体Mask的最小外包长方体,将其相对应患者椎体的原始CT医学图像区域,作为通过人工智能深度学习技术训练的全卷积神经网络SCNet模型的输入,计算得到满足条件的左右两个椎弓根螺钉尾点热图和椎弓根螺钉中点热图;其中,所述椎弓根螺钉尾点为置入所述椎弓根螺钉后钉子尾点所处的位置,所述椎弓根中点为在解剖位置椎弓根中心附近且同时在椎弓根螺钉的中心线上的点;所述全卷积神经网络SCNet模型通过以往若干所述椎体Mask的最小外包长方体作为输入,以及将已完成置入其中的所述椎弓根螺钉的所述椎弓根中点和所述椎弓根螺钉尾点作为输出的训练数据集和验证数据集获得;
步骤S3:获取所有所述椎弓根螺钉尾点和中点的热图值,判断并选取所述热图值超过预定阈值的所述椎弓根螺钉尾点和中点作为候选位置;每个所述的尾点候选位置和中点候选位置均带有权重值,分别计为第一权重值A和第一权重值B;
步骤S4:获取所述椎弓根螺钉的最优候选路径和所述椎弓根螺钉参数;其包括如下步骤:
步骤S41:将尾点候选位置与中点候选位置任意两两组合,之间形成连线,即产生有多条候选路径,从所述中点候选位置向外延长所述候选路径,所述候选路径与所述椎体Mask外边界相交的交点作为进钉候选位置;
步骤S42:以每条所述候选路径为中心线,从所述尾点候选点至所述进钉候选点的X%处,以一预定半径R1,绘制一个圆柱体;对所述圆柱体内的所有位置的CT图像上的灰度值作为第二权重值C;对圆柱体内的所有位置的第二权重值C求和,计为S,则所述圆柱体内的总权重和为:
W=α*A+β*B+γ*S
其中,α,β,γ是权重系数,用于调节第一权重值A、第一权重值B和第二权重值C所占的比重;X为大于等于50且小于100;
步骤S43:求出所有候选圆柱体内总权重的最大值,作为最优方案,并将所述圆柱体内的中心线作为最优候选路径,以最优方案中的所述圆柱体中心线与所述椎体Mask的交点即为进钉点;
步骤S44:确定所述椎弓根螺钉参数,即从进钉点至尾点的距离为所述椎弓根螺钉的长度,并以所述圆柱体内的中心线为圆点,增大所述圆柱体的半径,其与所述椎体mask相交时的半径记为R2,所述椎弓根螺钉的直径d设定为小于半径R2的两倍;
步骤S5:基于所述椎弓根螺钉的最优候选路径和所述椎弓根螺钉参数,在所述椎体内置入左右两个所述椎弓根螺钉。
进一步地,以所述椎弓根螺钉进钉方向对应的面为面A,所述步骤S2中的所述椎体Mask的最小外包长方体,面A向外扩展一预定距离Y形成新最小外包长方体,其余五个面保持不变,所述新最小外包长方体所对应的原始CT图像的区域,即为全卷积神经网络SCNet的输入。
进一步地,所述预定距离Y为0.5cm-2.0cm。
进一步地,所述尾点候选位置和中点候选位置的热图值的取值范围为[0,1],所述热图值的预定阈值为大于等于0.2。
进一步地,对于所述圆柱体超出所述椎体Mask区域,将所述步骤S42中的第二权重值C设为负无穷,即:
S=∑Ci
其中,i为所述圆柱体中的第二权重值C的个数。
进一步地,所述路径优化方法为穷举法、Dijkstra或马尔可夫算法。
进一步地,所述椎弓根螺钉的直径d=0.9*2*R2,或者d=2*R2-5mm。
进一步地,所述X%为90%。
进一步地,所述全卷积神经网络SCNet模型的训练步骤包括:
首先,训练输出数据的标注步骤
在CT图像上标注每节椎体以往若干左右两个椎弓根螺钉穿过椎体的椎弓根部位的路径,同时标记出每个所述椎弓根螺钉的尾点和所述椎弓根螺钉中心线所经过的椎弓根的中点;此时,每个所述椎体上标记出了四个点,分别为左边的尾点和中点,右边的尾点和中点;每个点都代表一个空间坐标(x,y,z);其中,每个所述椎体的Mask以及与每个椎体相应的椎体命名,采用所述椎体神经网络模型,分割所述CT医学图像内所有的椎体得到;
第二,确定训练的输入数据
基于每个椎体的椎体Mask基于一定规则计算生成的最小外包长方体或优化外包长方体所对应的原始CT图像区域,即为所述全卷积神经网络SCNet模型的网络输入;
第三,确定训练的输出数据
①、基于每个椎体的椎体Mask基于一定规则计算生成的最小外包长方体或优化外包长方体所对应的原始CT图像区域,即为所述全卷积神经网络SCNet模型的网络输入:
其中,i=0,1表示两个种类的热图,x为热图上的位置,为标记的尾点/中点的坐标,σ为高斯核的大小,/>为两点间的距离,γ为确定相应平滑后最大值的权重系数;
②、平滑后所生成的将所述全卷积神经网络SCNet模型输出的尾点热图和中点热图;
最后,将若干所述全卷积神经网络SCNet模型的输入和其相应的输出代入所述全卷积神经网络SCNet模型进行训练和验证,以生成一个训练好的所述全卷积神经网络SCNet模型。
为实现上述目的,本发明又一技术方案如下:
一种采用上述自动生成椎弓根螺钉最优置入路径的方法的系统,包括:
提取模块,,获取患者脊椎的CT医学图像,采用椎体神经网络模型,分割所述CT医学图像内的所有椎体,得到每一个椎体相应的椎体Mask以及每个椎体的命名;
输入模块,确定每一个所需置入左右两个椎弓根螺钉的所述椎体,并基于所述椎体Mask生成的最小外包长方体或优化外包长方体,将其相对应患者椎体的原始CT医学图像区域,作为螺钉神经网络模型输入,计算得到满足条件的左右两个椎弓根螺钉尾点热图和椎弓根螺钉中点热图;其中,所述椎弓根螺钉尾点为置入所述椎弓根螺钉后钉子尾点所处的位置,所述椎弓根中点为在解剖位置椎弓根中心附近且同时在椎弓根螺钉的中心线上的位置;所述回归算法模块通过以往若干所述椎体Mask生成的外包长方体作为输入,以及将已完成置入其中的所述椎弓根螺钉的所述椎弓根中点和所述椎弓根螺钉尾点作为输出的训练数据集和验证数据集获得;所述优化外包长方体为所述最小外包长方体至少一个面向外延伸一预定距离获得;所述螺钉神经网络模型为全卷积神经网络SCNet模型或GP-UNET模型;
数据处理模块,获取所有所述椎弓根螺钉尾点和中点的热图值,判断并选取所述热图值超过预定阈值的所述椎弓根螺钉尾点和中点作为候选位置;每个所述的尾点候选位置和中点候选位置均带有权重值,分别计为第一权重值A和第一权重值B;
最优路径获取模块,将尾点候选位置与中点候选位置任意两两组合形成的多条候选路径;以每条所述候选路径为中心线绘制一个圆柱体;对所述圆柱体内的所有位置的CT图像上的灰度值作为第二权重值C;根据第一权重值A、第一权重值B和第二权重值C求和所得到的总权重最大值,作为最优圆柱体方案,并将所述圆柱体内的中心线作为最优候选路径,以最优方案中的所述圆柱体中心线与所述椎体Mask的交点即为进钉点,并且根据所述圆柱体与椎体Mask相交时的半径选择所述椎弓根螺钉的直径d;
置入模块,基于所述椎弓根螺钉的进钉点、所述椎弓根螺钉的中点、所述椎弓根螺钉尾点、所述椎弓根螺钉长度和所述椎弓根螺钉直径,在所述椎体内置入左右两个所述椎弓根螺钉。
从上述技术方案可以看出,本发明提供了一种自动生成椎弓根螺钉最优置入路径的方法及系统,相比现有技术,具有有益技术效果如下:
①、其通过计算椎弓根螺钉的尾点和中点的方式,再生成进钉点,该方法无需直接计算进钉点,而是根据椎弓根螺钉的置钉路径,自动生成进钉点;
②、采用计算尾点和中点的方法使用了生成热图的算法,在计算最优路径时,同时使用了计算的热图和CT图像的灰度值HU,因此,本发明通过结合了骨密度的概念,体现了椎弓根螺钉在患者体内的附着牢固力。
附图说明
图1所示为本发明实施例中自动生成椎弓根螺钉最优置入路径的方法的流程示意图
图2所示为本发明实施例中一个椎体mask的示意图
图3所示为本发明实施例中椎体mask的最小外包长方体所对应的原始CT图像的区域示意图;其中,六个面Right,Left,Anterior,Posterior,Superior,Inferior分别表示人体的右、左、前、后、上、下
图4所示为本发明实施例中的中点及其热图示意图
图5所示为本发明实施例中的尾点及其热图示意图
图6所示为本发明实施例中单一椎体的左右两个椎弓根螺钉的规划置入效果的示意图
具体实施方式
下面结合附图1-6,对本发明的具体实施方式作进一步的详细说明。
请参阅图1,图1所示为本发明实施例中自动生成椎弓根螺钉最优置入路径的方法的流程示意图。如图1所示,该方法包括如下具体步骤:
步骤S1:获取患者脊椎的CT医学图像,采用椎体神经网络模型,分割所述CT医学图像内的所有椎体,得到每一个椎体相应的椎体Mask以及每个椎体的命名。
上述步骤利用人工智能深度学习技术,使用VNET卷积神经网络,分割CT医学图像内的所有椎体,得到椎体Mask、并同时得到每个椎体的命名(如腰椎L1、腰椎L2和/或胸椎T12等)。
本领域技术人员清楚,VNET卷积神经网络是一种比较成熟的3D医学图像分割人工智能方法,通过事先标注的椎体数据集,利用VNet中的编码、解码及跳跃连接的网络结构,和一些迭代优化方法,训练学习一个分割模型,从而实现椎体的多标签分割。(例如,在Milletari,Fausto,Nassir Navab,and Seyed-Ahmad Ahmadi."V-net:Fullyconvolutional neural networks for volumetric medical image segmentation."2016fourth international conference on 3D vision(3DV).Ieee,2016.的资料中公开)。
请查阅图6,图6所示为本发明实施例中单一椎体的左右两个椎弓根螺钉的规划置入效果的示意图。如图6所示,一般情况下,每个椎体可置入左右两个椎弓根螺钉,左右的标记无需使用不同记号,可以根据图像上的左右关系直接区分。其中,手术医生在进行置钉手术时,有三个位置点非常重要,椎弓根螺钉的进钉点、椎弓根螺钉尾点和椎弓根中点;所述椎弓根螺钉尾点为打入椎弓根螺钉后钉子尾点所处的位置,所述椎弓根中点为在解剖位置椎弓根中心附近且同时在椎弓根螺钉的中心线上的点。
需要说明的是,在本发明的实施例中,通过计算椎弓根螺钉的尾点和椎弓根中点的热图,再结合椎体mask并利用最优路径方法确定进钉点,并且通过尾点和椎弓根中点的热图自动生成椎弓根螺钉最优置入路径和所述椎弓根螺钉的参数(例如,长度或直径d等)。
在计算椎弓根螺钉的尾点和椎弓根中点的热图时,需要用到用到螺钉神经网络模型,较佳地,可以采用全卷积神经网络SCNet模型,每个椎体具有一个全卷积神经网络SCNet模型,所述全卷积神经网络SCNet模型通过以往若干所述椎体Mask的最小外包长方体作为输入,以及将已完成置入其中的所述椎弓根螺钉的所述椎弓根中点热图和所述椎弓根螺钉尾点热图作为输出的训练数据和验证数据获得;具体地,可以包括如下步骤:
首先,训练输出数据的标注步骤
在CT图像上标注每节椎体以往若干左右两个椎弓根螺钉穿过椎体的椎弓根部位的路径,同时标记出每个所述椎弓根螺钉的尾点和所述椎弓根螺钉中心线所经过的椎弓根的中点;此时,每个椎体上标记出了四个点,分别为左边的尾点和中点,右边的尾点和中点;每个点都代表一个空间坐标(x,y,z);其中,每个所述椎体的Mask以及与每个椎体相应的椎体命名,采用所述椎体神经网络模型,分割所述CT医学图像内所有的椎体得到。
第二,确定训练的输入数据
对于每个椎体的椎体Mask基于一定规则计算生成的最小外包长方体或优化外包长方体所对应的原始CT图像区域,即为所述全卷积神经网络SCNet模型的网络输入。
所述全卷积神经网络SCNet模型的输入是基于每个椎体的椎体Mask生成的(前面已经叙述过,该椎体Mask采用所述VNET卷积神经网络模型计算所得)。
具体地,先对每个椎体的椎体mask计算最小外包长方体,最小外包长方体具有,然后六个面(A,R、L、I、S、P)分别表示人体的右、左、前、后、上、下,英文表示为Right,Left,Anterior,Posterior,Superior,Inferior。通常,面A向外扩展一预定的距离,例如1cm,其余五个面保持不变,形成新的长方体,该长方体所对应的原始CT图像的区域,即为所述全卷积神经网络SCNet模型的输入。
请查阅图2和图3,图2所示为本发明实施例中一个椎体mask的示意图,图3所示为本发明实施例中椎体mask的最小外包长方体所对应的原始CT图像的区域示意图。
第三,确定训练的输出数据
①、新建与每个椎体的椎体mask同样大小的两个长方体,记为尾点长方体和中点长方体,并将所有点的灰度值初始化为零;其中,在所述尾点长方体中,取CT图像区域上标注中的两个尾点坐标,将尾点坐标对应位置的灰度值改为1,在中点长方体中,将中点坐标的位置的灰度值改为1;然后,对所有长方体的所有坐标,按灰度值进行高斯平滑,
其中,i=0,1表示两个种类的热图,x为热图上的位置,为标记的尾点/中点的坐标,σ为高斯核的大小,/>为两点间的距离,γ为确定相应平滑后最大值的权重系数;即γ为相应权重系数,以防止平滑后的最大值过小。由此公式可见,与标记点越近,g(x)值越大,越远时g(x)值越小。
②、平滑后所生成的将所述全卷积神经网络SCNet模型输出的尾点热图和中点热图。
最后,将若干所述全卷积神经网络SCNet模型的输入和其相应的输出代入所述全卷积神经网络SCNet模型进行训练和验证,即基于SCNet的网络框架,设置相应的batchsize优化方法、激活函数、学习率和epoch大小等等配置参数,进行迭代学习训练,以生成一个训练好的所述全卷积神经网络SCNet模型。
需要说明的是,训练好所述全卷积神经网络SCNet模型后,就可以进行自动生成椎弓根螺钉最优置入路径的步骤了。也就是说,给定一例新的需要置入椎弓根螺钉的患者CT图像,经过分割出的椎体mask、进行框选相应位置(框选方法与图3中的最小长方体一样),框出的区域,通过上述训练好的所述全卷积神经网络SCNet模型推理,可同时计算得到尾点热图和中点的热图。
接下来就可以执行步骤S2。
步骤S2:确定每一个所需置入左右两个椎弓根螺钉的所述椎体,并基于所述椎体Mask生成的最小外包长方体或优化外包长方体,将其相对应患者椎体的原始CT医学图像区域,作为螺钉神经网络模型输入,计算得到满足条件的左右两个椎弓根螺钉尾点热图和椎弓根螺钉中点热图;其中,所述椎弓根螺钉尾点为置入所述椎弓根螺钉后钉子尾点所处的位置,所述椎弓根中点为在解剖位置椎弓根中心附近且同时在椎弓根螺钉的中心线上的位置;所述回归算法模块通过以往若干所述椎体Mask生成的外包长方体作为输入,以及将已完成置入其中的所述椎弓根螺钉的所述椎弓根中点和所述椎弓根螺钉尾点作为输出的训练数据集和验证数据集获得;所述优化外包长方体为所述最小外包长方体至少一个面向外延伸一预定距离获得;所述螺钉神经网络模型为全卷积神经网络SCNet模型或GP-UNET模型。
请参考图3,以所述椎弓根螺钉进钉方向对应的面为面A,所述步骤S2中的所述椎体Mask的最小外包长方体,面A向外扩展1cm形成新最小外包长方体,其余五个面保持不变,所述新最小外包长方体所对应的原始CT图像的区域,即为全卷积神经网络SCNet的输入。
步骤S3:获取所有所述椎弓根螺钉尾点和中点在所述热图上的值,判断并选取所述热图上的值超过预定阈值的所述椎弓根螺钉尾点和中点作为候选位置。热图上的值取值范围为[0,1],值越大,表明其为该点的概率越大;比如在选择尾点时,所有热图上值大于一定阈值(比如0.2)的位置都可作为尾点候选点,同时我们对候选点加一权重,该权重可设为当前位置的热图值,中点也是如此,即每条所述候选路径上的尾点候选位置和中点候选位置均带有权重值,分别计为第一权重值A和第一权重值B,所述第一权重值为当前位置的热图值。
请查阅图4和图5,图4所示为本发明实施例中中点以及相应的生成的热图示意图标,图5所示为本发明实施例中注的尾点以及相应的生成的热图示意图。尾点热图和中点热图生成后,接下来接可以采用最优路径法确定置钉路径,以及确定所述椎弓根螺钉参数。
步骤S4:计算所述椎弓根螺钉路径关键点,获取所述椎弓根螺钉的最优候选路径和所述椎弓根螺钉参数;其可以具体包括如下步骤:
步骤S41:将尾点候选位置与中点候选位置任意两两组合,之间形成连线,即产生有多条候选路径,延长所述候选路径,所述候选路径与所述椎体mask外边界相交的交点作为进钉候选位置。
在本发明的实施例中,不但使用了热图本身的值计算了所述椎弓根螺钉的进针点,而且还利用了图像的CT值,共同确定置钉路径。
步骤S42:以每条所述候选路径为中心线,从所述尾点候选点至所述进钉候选点的X%处,以一预定半径R1,绘制一个圆柱体;对所述圆柱体内的所有位置的CT图像上的灰度值作为第二权重值C,即所述第二权重值C为CT值,CT值越大,牢固所述椎弓根螺钉的力量也越大;对圆柱体内的所有位置的第二权重值C求和,计为S,则所述圆柱体内的总权重和为:
W=α*A+β*B+γ*S
其中,α,β,γ是权重系数,用来调节第一权重值A、第一权重值B和第二权重值C所占的比重;X为大于等于50且小于100,较佳地,X为90。
为了防止圆柱体会超出椎体Mask本身的区域(即,防止椎弓根螺钉打穿椎弓根,造成医疗事故),在权重C的设置上添加限制,如果超出椎体Mask区域,设为负无穷,负无穷可有效防止超出椎体Mask区域。通常可以设置圆柱体至进钉点的90%处,也是因为在进钉点附近圆柱体有可能漏出的原因,但此处漏出属于正常现象。
S=∑Ci
其中,i为所述圆柱体中的第二权重值C的个数。
步骤S43:通过路径优化方法,求出所有候选圆柱体内的权重之和的最大值,作为最优方案,并将所述圆柱体内的中心线作为最优候选路径;
步骤S44:确定所述椎弓根螺钉参数,即以最优方案中的所述圆柱体中心线与椎体Mask的交点即为进钉点,从进钉点至尾点的距离,即为钉子的长度,以确定的所述圆柱体内的中心线,将圆柱体的半径不断增大,其与所述椎体Mask相交时的半径记为R2,以此半径确定椎弓根螺钉的直径d,其中,椎弓根螺钉的直径d小于半径R2的两倍。
较佳地,d=0.9*2*R2,或者d=2*R2-5mm。
步骤S5:基于所述椎弓根螺钉的进钉点、所述椎弓根螺钉的中点、所述椎弓根螺钉尾点、所述椎弓根螺钉长度和所述椎弓根螺钉直径,在所述椎体内置入左右两个所述椎弓根螺钉。
请参阅图6,图6所示为本发明实施例中单一椎体的左右两个椎弓根螺钉的规划置入效果的示意图。
综上所述,本发明通过计算椎弓根螺钉的尾点和中点后再生成进钉点的方式,简化了算法,并且通过计算的热图和CT图像的灰度值HU,结合了骨密度的概念,体现了椎弓根螺钉在患者体内的附着牢固力。
以上所述的仅为本发明的优选实施例,所述实施例并非用以限制本发明的专利保护范围,因此凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.一种自动生成椎弓根螺钉最优置入路径的方法,其特征在于,包括:
步骤S1:获取患者脊椎的CT医学图像,采用椎体神经网络模型,分割所述CT医学图像内的所有椎体,得到每一个椎体相应的椎体Mask以及每个椎体的命名;
步骤S2:确定每一个所需置入左右两个椎弓根螺钉的所述椎体,并基于所述椎体Mask生成的最小外包长方体或优化外包长方体,将其相对应患者椎体的原始CT医学图像区域,作为螺钉神经网络模型输入,计算得到满足条件的左右两个椎弓根螺钉尾点热图和椎弓根螺钉中点热图;其中,所述椎弓根螺钉尾点为置入所述椎弓根螺钉后钉子尾点所处的位置,所述椎弓根中点为在解剖位置椎弓根中心附近且同时在椎弓根螺钉的中心线上的位置;所述回归算法模块通过以往若干所述椎体Mask生成的外包长方体作为输入,以及将已完成置入其中的所述椎弓根螺钉的所述椎弓根中点和所述椎弓根螺钉尾点作为输出的训练数据集和验证数据集获得;所述优化外包长方体为所述最小外包长方体至少一个面向外延伸一预定距离获得;所述螺钉神经网络模型为全卷积神经网络SCNet模型或GP-UNET模型;
步骤S3:获取所有所述椎弓根螺钉尾点和中点的热图值,判断并选取所述热图值超过预定阈值的所述椎弓根螺钉尾点和中点作为候选位置;每个所述的尾点候选位置和中点候选位置均带有权重值,分别计为第一权重值A和第一权重值B;
步骤S4:计算所述椎弓根螺钉路径,获取所述椎弓根螺钉的最优候选路径和所述椎弓根螺钉参数;其包括如下步骤:
步骤S41:将尾点候选位置与中点候选位置任意两两组合,之间形成连线,即产生有多条候选路径,从所述中点候选位置向外延长所述候选路径,所述候选路径与所述椎体Mask外边界相交的交点作为进钉候选位置;
步骤S42:以每条所述候选路径为中心线,从所述尾点候选点至所述进钉候选点的X%处,以一预定半径R1,绘制一个圆柱体;对所述圆柱体内的所有位置的CT图像上的灰度值作为第二权重值C;对圆柱体内的所有位置的第二权重值C求和,计为S,则所述圆柱体内的总权重和为:
W=α*A+β*B+γ*S
其中,α,β,γ是权重系数,用于调节第一权重值A、第一权重值B和第二权重值C所占的比重;X为大于等于50且小于100;
步骤S43:求出所有候选圆柱体内总权重的最大值,作为最优方案,并将所述圆柱体内的中心线作为最优候选路径,以最优方案中的所述圆柱体中心线与所述椎体Mask的交点即为进钉点;
步骤S44:确定所述椎弓根螺钉参数,即从进钉点至尾点的距离为所述椎弓根螺钉的长度,并以所述圆柱体内的中心线为法向量,以椎弓根螺钉子中点所在的面为法平面,以椎弓根螺钉子中点为中心,可在法平面内做半径不断增大的圆,其与所述椎体Mask相交时的半径记为R2,所述椎弓根螺钉的直径d设定为小于半径R2的两倍;
步骤S5:基于所述椎弓根螺钉的进钉点、所述椎弓根螺钉的中点、所述椎弓根螺钉尾点、所述椎弓根螺钉长度和所述椎弓根螺钉直径,在所述椎体内置入左右两个所述椎弓根螺钉。
2.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,以所述椎弓根螺钉进钉方向对应的面为面A,所述步骤S2中的所述椎体Mask的最小外包长方体,面A向外扩展一预定距离Y形成优化外包长方体,其余五个面保持不变,所述优化外包长方体所对应的原始CT图像的区域,即为所述螺钉神经网络模型的输入。
3.根据权利要求2所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,所述预定距离Y为0.5cm-2.0cm。
4.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,所述尾点候选位置和中点候选位置的热图值的取值范围为[0,1],所述热图值的预定阈值为大于等于0.2。
5.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,对于所述圆柱体超出所述椎体mask区域,将所述步骤S42中的第二权重值C设为负无穷,即:
S=∑Ci
其中,i为所述圆柱体中的每个像素点的位置。
6.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,所述路径优化方法为穷举法、Dijkstra或马尔可夫等相关算法。
7.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,所述椎弓根螺钉的直径d=0.9*2*R2,或者d=2*R2-5mm。
8.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,所述X%为90%。
9.根据权利要求1所述的自动生成椎弓根螺钉最优置入路径的方法,其特征在于,所述螺钉神经网络模型为全卷积神经网络SCNet模型,其训练步骤包括:
首先,训练输出数据的标注步骤
在CT图像上标注每节椎体以往若干左右两个椎弓根螺钉穿过椎体的椎弓根部位的路径,同时标记出每个所述椎弓根螺钉的尾点和所述椎弓根螺钉中心线所经过的椎弓根的中点;此时,每个所述椎体上标记出了四个点,分别为左边的尾点和中点,右边的尾点和中点;每个点都代表一个空间坐标(x,y,z);其中,每个所述椎体的Mask以及与每个椎体相应的椎体命名,采用所述椎体神经网络模型,分割所述CT医学图像内所有的椎体得到;
第二,确定训练的输入数据
对于每个椎体的椎体Mask基于一定规则计算生成的最小外包长方体或优化外包长方体所对应的原始CT图像区域,即为所述全卷积神经网络SCNet模型的网络输入;
第三,确定训练的输出数据
①、新建与每个椎体Mask生成的最小外包长方体或优化外包长方体同样大小的两个长方体,记为尾点长方体和中点长方体,并将所有点的灰度值初始化为零;其中,在所述尾点长方体中,取CT图像区域上标注中的两个尾点坐标,将所述尾点坐标对应位置的灰度值改为1,在中点长方体中,将中点坐标的位置的灰度值改为1;然后,对所有长方体的所有坐标,对灰度值进行平滑操作,可采用高斯平滑:
其中,i=0,1表示两个种类的热图,x为长方体上的位置,为标记的尾点/中点的坐标,σ为高斯核的大小,/>为两点间的距离,γ为确定相应平滑后最大值的权重系数;
②、平滑后所生成的将作为所述全卷积神经网络SCNet模型输出的尾点热图和中点热图;
最后,将若干所述全卷积神经网络SCNet模型的输入和其相应的输出代入所述全卷积神经网络SCNet模型进行训练和验证,以生成一个训练好的所述全卷积神经网络SCNet模型。
10.一种采用权利要求1-9所述的自动生成椎弓根螺钉最优置入路径的方法的系统,其特征在于,包括:
提取模块,获取患者脊椎的CT医学图像,采用椎体神经网络模型,分割所述CT医学图像内的所有椎体,得到每一个椎体相应的椎体Mask以及每个椎体的命名;
输入模块,确定每一个所需置入左右两个椎弓根螺钉的所述椎体,并基于所述椎体Mask生成的最小外包长方体或优化外包长方体,将其相对应患者椎体的原始CT医学图像区域,作为螺钉神经网络模型输入,计算得到满足条件的左右两个椎弓根螺钉尾点热图和椎弓根螺钉中点热图;其中,所述椎弓根螺钉尾点为置入所述椎弓根螺钉后钉子尾点所处的位置,所述椎弓根中点为在解剖位置椎弓根中心附近且同时在椎弓根螺钉的中心线上的位置;所述回归算法模块通过以往若干所述椎体Mask生成的外包长方体作为输入,以及将已完成置入其中的所述椎弓根螺钉的所述椎弓根中点和所述椎弓根螺钉尾点作为输出的训练数据集和验证数据集获得;所述优化外包长方体为所述最小外包长方体至少一个面向外延伸一预定距离获得;所述螺钉神经网络模型为全卷积神经网络SCNet模型或GP-UNET模型;
数据处理模块,获取所有所述椎弓根螺钉尾点和中点的热图值,判断并选取所述热图值超过预定阈值的所述椎弓根螺钉尾点和中点作为候选位置;每个所述的尾点候选位置和中点候选位置均带有权重值,分别计为第一权重值A和第一权重值B;
最优路径获取模块,将尾点候选位置与中点候选位置任意两两组合形成的多条候选路径;以每条所述候选路径为中心线绘制一个圆柱体;对所述圆柱体内的所有位置的CT图像上的灰度值作为第二权重值C;根据第一权重值A、第一权重值B和第二权重值C求和所得到的总权重最大值,作为最优圆柱体方案,并将所述圆柱体内的中心线作为最优候选路径,以最优方案中的所述圆柱体中心线与所述椎体Mask的交点即为进钉点,并且根据所述圆柱体与椎体Mask相交时的半径选择所述椎弓根螺钉的直径d;
置入模块,基于所述椎弓根螺钉的进钉点、所述椎弓根螺钉的中点、所述椎弓根螺钉尾点、所述椎弓根螺钉长度和所述椎弓根螺钉直径,在所述椎体内置入左右两个所述椎弓根螺钉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646439.0A CN116740341A (zh) | 2023-06-01 | 2023-06-01 | 一种自动生成椎弓根螺钉最优置入路径的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646439.0A CN116740341A (zh) | 2023-06-01 | 2023-06-01 | 一种自动生成椎弓根螺钉最优置入路径的方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116740341A true CN116740341A (zh) | 2023-09-12 |
Family
ID=87905458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310646439.0A Pending CN116740341A (zh) | 2023-06-01 | 2023-06-01 | 一种自动生成椎弓根螺钉最优置入路径的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740341A (zh) |
-
2023
- 2023-06-01 CN CN202310646439.0A patent/CN116740341A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9330206B2 (en) | Producing a three dimensional model of an implant | |
US10068671B2 (en) | Methods and systems for producing an implant | |
EP1631931B1 (en) | Methods and systems for image-guided placement of implants | |
US9317661B2 (en) | Automatic implant detection from image artifacts | |
WO2001010339A2 (en) | Method and apparatus for producing an implant | |
EP2249702A2 (en) | Method and system for improved image segmentation | |
CN111493918B (zh) | 腰椎ct影像的观测面自动定位方法、应用方法及设备 | |
CN110946652B (zh) | 一种骨螺钉的钉道规划方法和装置 | |
CN109360213A (zh) | 一种基于脊柱超声冠状面图像的自动化椎体识别方法 | |
CN111462055B (zh) | 颅骨检测方法及装置 | |
CN115399874A (zh) | 椎弓根螺钉的最优植入路径规划方法、装置及电子设备 | |
US20240299095A1 (en) | Method for determining the screw trajectory of a pedicle bone screw | |
CN111192268A (zh) | 医学图像分割模型构建方法与cbct图像骨分割方法 | |
CN112466441B (zh) | 一种器官勾画方法及装置 | |
CN116327356B (zh) | 基于人工智能的脊柱手术术前规划方法、系统及存储介质 | |
CN116740341A (zh) | 一种自动生成椎弓根螺钉最优置入路径的方法与系统 | |
CN117618110A (zh) | 一种基于3d结构光的无标记手术导航方法和系统 | |
CN116650109A (zh) | 一种生成椎弓根螺钉置入路径的方法与系统 | |
CN114358388A (zh) | 一种椎弓根螺钉置入手术路径规划方法、装置及设备 | |
CN112085698A (zh) | 左右乳腺超声图像自动分析方法及装置 | |
CN115568873B (zh) | 一种ct影像自动调整方法 | |
CN118172319A (zh) | 脊椎螺钉的规划方法、装置、设备及存储介质 | |
CN113222886A (zh) | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 | |
CN117338488A (zh) | 颈椎模型的构建方法及颈椎假体的打印方法 | |
CN118037668A (zh) | 基于深度学习的ct脊柱影像的椎弓根识别方法 |
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 |