CN116864102B - 一种用于计算骨强度的力学仿真分析方法及系统 - Google Patents

一种用于计算骨强度的力学仿真分析方法及系统 Download PDF

Info

Publication number
CN116864102B
CN116864102B CN202310642519.9A CN202310642519A CN116864102B CN 116864102 B CN116864102 B CN 116864102B CN 202310642519 A CN202310642519 A CN 202310642519A CN 116864102 B CN116864102 B CN 116864102B
Authority
CN
China
Prior art keywords
image
fracture risk
proximal femur
fracture
bone
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
CN202310642519.9A
Other languages
English (en)
Other versions
CN116864102A (zh
Inventor
徐成
刘婉姮
李建涛
王道峰
张武鹏
张�浩
徐高翔
李睿
张子程
唐佩福
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.)
Fourth Medical Center General Hospital of Chinese PLA
Original Assignee
Fourth Medical Center General Hospital of Chinese PLA
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 Fourth Medical Center General Hospital of Chinese PLA filed Critical Fourth Medical Center General Hospital of Chinese PLA
Priority to CN202310642519.9A priority Critical patent/CN116864102B/zh
Publication of CN116864102A publication Critical patent/CN116864102A/zh
Application granted granted Critical
Publication of CN116864102B publication Critical patent/CN116864102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种用于计算骨强度的力学仿真分析方法及系统，能够基于有限元分析的力学仿真分析系统，对骨骼影像图像中的骨骼近端影像特征点进行有限元分析，得到股骨近端的结构学特征，并进一步根据配置的有限元配置参数进行感兴趣区域ROI构建，以此得到骨折风险区域，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果，计算得到骨折风险区域中各个股骨近端影像特征点的骨强度P，将骨折风险区域的骨折风险值进行实体化，进一步反应骨折风险区域的风险大小，为病人提供数字化的骨折风险预测。便于骨科医生直接找到当前患者的骨折风险位置和骨强度值，可视化显示诊断结果，便于对症配置实施医疗方案。

Description

一种用于计算骨强度的力学仿真分析方法及系统
技术领域
本公开涉及医学图像处理技术领域，尤其涉及一种用于计算骨强度的力学仿真分析方法及系统和电子设备。
背景技术
老龄化已是中国社会现状，骨质疏松性骨折危害大。因为对骨强度评估，进而预测骨折风险具有重要意义。
骨折风险预测，需要结合骨骼尤其是股骨的影像数据，进行骨折区域的检查和风险区域分析，找到容易出现骨折的股骨区域，便于及时为患者提供对应的防范措施，减小骨折疼痛和后续治疗成本。
骨折风险预测，比如现有的骨密度筛查方式，通过骨密度的变化值来进行骨折风险预测，虽然可以利用骨密度测量系统定期检查患者的骨密度变化数据，但是仅仅能够反应患者骨骼的骨量变化，并不能确定骨折具体位置，且不能从骨骼区域上形成宏观的骨折预测分析报告，因此其对于骨折风险预测并无实际性的用处。
骨折风险预测，除了骨折风险区域的分析，还需要对骨折风险区域进行骨强度评估，通过参数化的骨强度，来进一步对骨折风险进行实体化评估，利用骨强度评估值，来进一步反应骨折风险区域的风险大小，为病人提供数字化的骨折风险预测报告。
发明内容
为了解决上述问题，本申请提出一种用于计算骨强度的力学仿真分析方法及系统和电子设备。
本申请一方面，提出一种用于计算骨强度的力学仿真分析方法，包括如下步骤：
采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域；
计算骨折风险区域中各个股骨近端影像特征点的骨强度P：
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：
S0为股骨近端影像特征点的拉伸屈服应变阈值；
S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果。
作为本申请的一可选实施方案，可选地，计算骨折风险区域中各个股骨近端影像特征点的骨强度P，包括：
扫描所述骨折风险区域，得到位于所述骨折风险区域中的各个股骨近端影像特征点；
读取位于所述骨折风险区域中的各个股骨近端影像特征点的参数化INP文件，从所述参数化INP文件中获取位于所述骨折风险区域中的各个股骨近端影像特征点的有限元计算参数；
将所述有限元计算参数输入骨强度计算模块，计算骨折风险区域中各个股骨近端影像特征点的骨强度P，并将骨折风险区域中各个股骨近端影像特征点的骨强度P分别写入对应的所述参数化INP文件中。
作为本申请的一可选实施方案，可选地，在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，还包括：
按照各个股骨近端影像特征点的骨强度P的大小，将骨折风险区域中各个股骨近端影像特征点从小到大进行有序排列；
将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点进行标记，并标记为骨折风险点；
输出位于骨折风险区域中所述骨折风险点的坐标，并将所述骨折风险点的坐标以及对应的所述骨强度P发送并显示在力学仿真分析系统的前端，进行所述骨折风险点的可视化显示。
作为本申请的一可选实施方案，可选地，在将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点标记为骨折风险点之时，还包括：
将骨强度P低于股骨预设骨强度阈值的所述骨折风险点，在原来的所述骨折风险区域中进行图层处理，使其在所述骨折风险区域中的第一显示图层区别于其他特征点的第二显示图层；
其中，所述第一显示图层的灰度值至少为所述第二显示图层的灰度值的三倍。
作为本申请的一可选实施方案，可选地，在将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点标记为骨折风险点之时，还包括：
根据所标记的所述骨折风险点，对所述骨折风险区域进行区域调整，将骨强度P高于股骨预设骨强度阈值的所述股骨近端影像特征点，从原来的所述骨折风险区域中排除；
基于剩余的骨强度P低于股骨预设骨强度阈值的所述骨折风险点，重建所述骨折风险区域。
作为本申请的一可选实施方案，可选地，在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，还包括：
基于所述骨折风险点的坐标，获取绑定在所述骨折风险点的坐标之下的结构特征参数、为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数；
基于所述骨折风险点的结构特征参数、为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数，进行骨折风险区域的有限元数字化仿真，得到所述骨折风险区域的骨折仿真图像；
将所述骨折仿真图像存储并发送至力学仿真分析系统的前端，进行可视化显示。
作为本申请的一可选实施方案，可选地，还包括：采集骨骼影像数据，将所述骨骼影像数据导入预设的力学仿真分析系统中，并对所述骨骼影像数据进行数字化处理，包括：
采集若干张骨骼影像图像，有序标记并导入预设的力学仿真分析系统，计算各个骨骼影像图像上影像灰度值的分布数据；
从各个骨骼影像图像的灰度值分布数据中，找到灰度值平滑分布的骨骼影像图像，并将该骨骼影像图像作为本次骨折风险预测的骨折分析图像，且将所述骨折分析图像的标记编号存储在数据储存库中；
调用力学仿真分析系统的预处理模块，对所述骨折分析图像进行预处理；
将预处理后的所述骨折分析图像进行数字化处理，得到数字化的骨折分析图像，并将数字化的所述骨折分析图像保存在力学仿真分析系统的数据储存库中，并绑定至对应的标记编号之下。
作为本申请的一可选实施方案，可选地，采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，基于所述股骨近端影像特征点计算股骨近端的结构学特征，包括：
预设非刚性配准算法并配置于力学仿真分析系统的配准模块中；
将数字化的所述骨折分析图像导入所述配准模块，并基于所述非刚性配准算法，对所述骨折分析图像进行股骨近端影像特征点识别；
对识别的各个所述股骨近端影像特征点进行位置标记，并计算出各个所述股骨近端影像特征点的坐标；
基于各个所述股骨近端影像特征点的坐标；
按照预设的结构学特征算法，计算出股骨近端结构学特征的结构特征参数，并将所述结构特征参数与所述股骨近端影像特征点的坐标进行绑定；
若是某个所述股骨近端影像特征点存在多个结构特征参数，则将多个结构特征参数与所述股骨近端影像特征点的坐标进行绑定，当在力学仿真分析系统后台输入所述股骨近端影像特征点的坐标之时，自动同步获取所述股骨近端影像特征点的坐标参数以及对应的结构特征参数。
作为本申请的一可选实施方案，可选地，为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中，包括：
将所述骨折分析图像导入力学仿真分析系统的INP参数化处理模块；
根据所述骨折分析图像的影像灰度值与骨密度参数，对所述骨折分析图像进行有限元图像处理，并为所述骨折分析图像上的各个所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数；
设定完毕，通过有限元前处理模块生成所述骨折分析图像的股骨近端影像特征点参数化INP文件，并将所述股骨近端影像特征点参数化INP文件保存在力学仿真分析系统的数据储存库中，并绑定至对应的标记编号之下。
作为本申请的一可选实施方案，可选地，通过有限元前处理模块生成所述骨折分析图像的股骨近端影像特征点参数化INP文件，包括：
根据各个所述股骨近端影像特征点的坐标、结构特征参数以及为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数，有序生成各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件；
按照股骨近端结构学特征的结构特征，有序将各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件输出并保存在力学仿真分析系统的数据储存库中。
作为本申请的一可选实施方案，可选地，读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r，包括：
后台从数据储存库中读取所述标记编号下的所述骨折分析图像的股骨近端影像特征点参数化INP文件，得到各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件；
采用预设的力学仿真分析软件，对所述骨折分析图像进行股骨近端影像特征点的力学分析，找到力学仿真结果存在力应变的所述股骨近端影像特征点作为兴趣点；
将各个兴趣点进行连线，建立兴趣轮廓，得到所述感兴趣ROI，将所述感兴趣ROI作为骨折风险区域r；
还包括：
若是所述骨折分析图像上存在多个所述感兴趣ROI，则骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI。
本申请另一方面，提出一种实现所述用于计算骨强度的力学仿真分析方法的系统，包括：
数字化处理模块，用于采集骨骼影像数据，将所述骨骼影像数据导入预设的力学仿真分析系统中，并对所述骨骼影像数据进行数字化处理；
配准模块，用于采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
INP构建模块，用于为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
骨折预测模块，用于读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI；
骨强度计算模块，用于计算骨折风险区域中各个股骨近端影像特征点的骨强度P：
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：
S0为股骨近端影像特征点的拉伸屈服应变阈值；
S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果；
显示模块，用于显示骨折风险点的坐标和骨折仿真图像。
本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的一种用于计算骨强度的力学仿真分析方法。
本发明的技术效果：
本申请通过采用预设的配准算法，获取骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域；计算骨折风险区域中各个股骨近端影像特征点的骨强度P。能够基于有限元分析的力学仿真分析系统，对骨骼影像图像中的骨骼近端影像特征点进行有限元分析，得到股骨近端的结构学特征，并进一步根据配置的有限元配置参数进行感兴趣区域ROI构建，以此得到骨折风险区域r，因此可以直观得到骨折具体位置，从骨骼区域上形成宏观的骨折预测分析报告，能够用于医学骨折风险预测，为患者用户提供实际性的骨折预测结果，提高骨骼影像图像的骨折分析用处，为患者带来骨折预测福利。
进一步地，能够对骨折风险区域r中的股骨近端影像特征点，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果，计算得到骨折风险区域中各个股骨近端影像特征点的骨强度P，进而将骨折风险区域的骨折风险值进行实体化。因此能够进一步对骨折风险进行实体化评估，利用骨强度评估值，来进一步反应骨折风险区域的风险大小，为病人提供数字化的骨折风险预测报告。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出为本发明用于预测骨折风险的力学仿真分析方法的实施流程示意图；
图2示出为本发明的应用系统示意图；；
图3示出为本发明股骨近端影像特征点的识别示意图；
图4示出为本发明感兴趣区域ROI的标记示意图；
图5示出为本发明骨折风险点的标记示意图；
图6示出为本发明电子设备的应用示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
实施例1
如图1所示，本申请一方面，提出一种用于计算骨强度的力学仿真分析方法，包括如下步骤：
S1、采用预设的配准算法，获取骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
S2、为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
S3、读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域；
S4、计算骨折风险区域中各个股骨近端影像特征点的骨强度P：
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：
S0为股骨近端影像特征点的拉伸屈服应变阈值；
S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果。
本方案基于有限元分析的力学仿真分析系统，对骨骼影像图像中的骨骼近端影像特征点进行有限元分析，得到股骨近端的结构学特征，并进一步根据配置的有限元配置参数进行感兴趣区域ROI构建，以此得到骨折风险区域r，因此可以直观得到骨折具体位置，再通过配置的骨强度算法，结合力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果，进行骨折风险区域中各个股骨近端影像特征点的骨强度计算，以此得到骨折风险区域中各个特征点的数字化计算结果，为病人提供实体化的风险报告数据。
在进行骨强度评估时，首先骨骼属性与骨密度相关，骨骼所能承受的拉应力、压应力、拉应变、压应变，是存在一定阈值。这个阈值(屈服极限值)通过查阅应变拉伸的相关骨骼医学文献即可。
结合下面的屈服极限的计算公式(参照力学上的应力屈服计算式)：
式1是压应力的屈服值，式2是拉应力的屈服值。
可以分别进行应变计算，也可以选择计算。
本实施例优选采用式2的应力屈服拉伸计算公式，来计算骨强度P。
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：S0为股骨近端影像特征点的拉伸屈服应变阈值；S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果。
在一个具体实施例中：
查阅资料发现某处的拉伸屈服应变(极限值)---阈值S0被认为等于7300微应变。
首先获取一个失效比α。就是在2000N的载荷作用下，骨组织内实际产生的拉应力、压应力、拉应变、压应变，与骨材料本身的阈值之间的比值。
比如某个点，拉伸屈服应变的阈值S0为7300微应变，而S应力屈服拉伸的有限元计算结果，拉应变S---是8000微应变。那么拉应变的失效比为α＝8000/7300。
其次计算这个点的骨强度P，就是2000N/α，这个骨强度数值越大，说明对应样本的骨强度越高。
低于骨强度阈值的点，进行标记，作为本次股骨近端影像中的“骨折风险点”，将一并导出这些骨折风险点及其对应的数字化有限元计算的骨强度值，便于为患者提供给数字化的实体骨折风险检查报告，便于直观输出患者的骨骼医疗诊断结果。
本方案能够能够对骨折风险区域r中的股骨近端影像特征点，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果，计算得到骨折风险区域中各个股骨近端影像特征点的骨强度P，进而将骨折风险区域的骨折风险值进行实体化。因此能够进一步对骨折风险进行实体化评估，利用骨强度评估值，来进一步反应骨折风险区域的风险大小，为病人提供数字化的骨折风险预测报告。
下面将对“感兴趣区域ROI”的创建过程进行具体描述。
如图2所示，为本方案的实施系统。实施应用系统示意图包含了dicom影像系统。通过dicom影像系统可以获取骨骼影像图像，比如说二维骨骼图像，将该图像传发送并导入至Abaqus力学仿真分析系统的后台，对骨骼影像图像进行有限元分析。
后台配置有数字化处理模块，配置模块和INP构建模块以及骨折预测模块和骨强度计算模块。通过这几个后台模块，对骨骼影像数据进行有限元仿真处理和有限元分析，可以得到骨骼近端影像特征结构数据，并结合所配置的有限元仿真分析参数，进一步可以得到图像中的特征点，并基于特征点来进行有限分析并构建感兴趣ROI。为此，可以得到具体的骨折风险区域，并显示在前端，实现宏观骨折预测分析以及骨折区域中特征点的骨强度计算，输出具体的骨强度并写入INP文件中。
作为本申请的一可选实施方案，可选地，还包括：采集骨骼影像数据，将所述骨骼影像数据导入预设的力学仿真分析系统中，并对所述骨骼影像数据进行数字化处理，包括：
采集若干张骨骼影像图像，有序标记并导入预设的力学仿真分析系统，计算各个骨骼影像图像上影像灰度值的分布数据；
从各个骨骼影像图像的灰度值分布数据中，找到灰度值平滑分布的骨骼影像图像，并将该骨骼影像图像作为本次骨折风险预测的骨折分析图像，且将所述骨折分析图像的标记编号存储在数据储存库中；
调用力学仿真分析系统的预处理模块，对所述骨折分析图像进行预处理；
将预处理后的所述骨折分析图像进行数字化处理，得到数字化的骨折分析图像，并将数字化的所述骨折分析图像保存在力学仿真分析系统的数据储存库中，并绑定至对应的标记编号之下。
可以通过影像系统获取比如三张骨骼影像图像，并对这几张骨骼影像图像进行编号标记，比如01、02、03，将这几张图像导入分析系统中，通过分析系统来计算各个图像上的影像灰度值。各个图像上的影像分度值的分布数据，比如可以通过系统来计算各个图像上不同骨骼区域的灰度分布图(系统自带的图像属性管理插件)。
后台管理员可以从各个骨骼影像图像的灰度分布图上，进行最佳灰度分布图的判断，找到灰度值平滑分布的图像。骨骼影像图像灰度值平滑分布指的是图像中骨骼区域的不同区域的灰度值，不存在图像离散且灰度图像平滑清晰的图像。将该张从中选择出最佳的图像作为骨折分析图像，该骨折分析图像将用于后续的骨折分析预测。
将选定好的骨折分析图像保存在后台的数据储存库中，并在后台标记、记录上该骨折分析图像的标记编号，该标记编号与当前病人的身份ID相关联，便于为各个病人建立不同的骨折分析档案。
预处理方式，可以比如使用腐蚀、膨胀、平滑、填孔等功能算法，修补股骨影像。
S1、采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
作为本申请的一可选实施方案，可选地，采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，包括：
预设非刚性配准算法并配置于力学仿真分析系统的配准模块中；
将数字化的所述骨折分析图像导入所述配准模块，并基于所述非刚性配准算法，对所述骨折分析图像进行股骨近端影像特征点识别；
对识别的各个所述股骨近端影像特征点进行位置标记，并计算出各个所述股骨近端影像特征点的坐标。
如图3所示，本实施例采用配准算法，获取股骨地标点。
使用非刚性配准算法，批量自动化获取每个股骨近端影像特征点(编号为1-12)的坐标，用于计算股骨近端结构学特征。
非刚性配准算法可以对骨折分析图像中的股骨近端影像特征点进行批量识别。在识别之后，可以对各个所识别的股骨近端影像特征点进行标记，并基于系统自带的网格坐标来得到各个特征点坐标。各个特征点坐标得到之后，可以用于计算股骨近端结构学特征，比如两股骨近端相对应的两个特征点之间的距离。如股骨峡部长度＝特征点4和特征点6之间距离。
作为本申请的一可选实施方案，可选地，基于所述股骨近端影像特征点计算股骨近端的结构学特征，包括：
基于各个所述股骨近端影像特征点的坐标；
按照预设的结构学特征算法，计算出股骨近端结构学特征的结构特征参数，并将所述结构特征参数与所述股骨近端影像特征点的坐标进行绑定；
若是某个所述股骨近端影像特征点存在多个结构特征参数，则将多个结构特征参数与所述股骨近端影像特征点的坐标进行绑定，当在力学仿真分析系统后台输入所述股骨近端影像特征点的坐标之时，自动同步获取所述股骨近端影像特征点的坐标参数以及对应的结构特征参数。
股骨近端结构学特征，由后台管理员进行设定，除了股骨峡部长度，还可以设定股骨头部间距等医学常用的股骨计算特征参数，具体由后台管理员设定对应的算法即可。获取到各个特征点坐标之后，即可基于各个特征点坐标，计算各个维度上的股骨近端结构学特征。
通过系统后台识别到各个特征点之后，对各个特征点的坐标位置进行自动提取和位置标记，并将各个近端影像特征点的坐标参数记录并保存在后台数据库中，并绑定在各个特征点的坐标编号之下，便于按照编号进行写入数据。
本实施例，得到各个股骨近端影像特征点的坐标之后，可以基于该坐标与各个特征点的编号进行关联，并将各个股骨颈近端影像特征点的计算特征参数与其坐标进行绑定，便于基于各个特征点的坐标一键识别并提取得到各个特征点的有限元仿真计算特征参数。在后续写入参数化文件时，也可以有序对各个特征点的坐标以及绑定在坐标之下的各个参数性进行有序读写和管理。
若是某个特征点存在多个结构特征参数，参见上述处理方式即可。
S2、为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
作为本申请的一可选实施方案，可选地，为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中，包括：
将所述骨折分析图像导入力学仿真分析系统的INP参数化处理模块；
根据所述骨折分析图像的影像灰度值与骨密度参数，对所述骨折分析图像进行有限元图像处理，并为所述骨折分析图像上的各个所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数；
设定完毕，通过有限元前处理模块生成所述骨折分析图像的股骨近端影像特征点参数化INP文件，并将所述股骨近端影像特征点参数化INP文件保存在力学仿真分析系统的数据储存库中，并绑定至对应的标记编号之下。
首先进行有限元前处理。
为了进行有限元仿真分析，使用程序自动化生成Abaqus可以调用的参数化文件INP。根据影像数据，自动识别节点坐标，并生成尺寸为1mm*1mm的体素网格。根据影像灰度值与骨密度参数，设置网格所对应的材料参数(弹性模量、泊松比)，并根据配准功能模块中识别的特征点，确定股骨加载的边界条件及载荷施加位置(点1对应的股骨上表面为载荷施加区域，方向垂直向下，大小为2000N；点12对应的位置为完全固定)。
其次，设定有限元分析算法和参数，并写入INP文件，用于下一步有限元分析。
通过后台进行参数设定以及配置载荷仿真参数以及有限元分析参数，由后台管理员根据当前需要进行的骨骼仿真类型和雪球，设定对应的载荷仿真参数以及有限元分析参数，本实施例不做限定。至于生成具体的参数化inp文件，由仿真系统的数据格式对应生成即可，可以采用仿真系统已有的inp文件模板来对各个特征点的参数进行读写，并生成对应的参数法inp文件。
标记编号的绑定，便于对各个患者的骨骼图像进行建档。
作为本申请的一可选实施方案，可选地，通过有限元前处理模块生成所述骨折分析图像的股骨近端影像特征点参数化INP文件，包括：
根据各个所述股骨近端影像特征点的坐标、结构特征参数以及为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数，有序生成各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件；
按照股骨近端结构学特征的结构特征，有序将各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件输出并保存在力学仿真分析系统的数据储存库中。
在进行有限元骨骼分析时，可以使用Python语言，后台调用Abaqus软件批量读取INP文件，进行自动化分析，生成对应的ODB结果文件。
使用Python代码读取Odb数据，获取应力、应变数据，进而建立拉应力、压应力、拉应变、压应变云图。根据配准所获取的特征点，建立感兴趣ROI。
通过仿真系统可以得到各个股骨近端影像特征点的坐标以及所计算的结构特征参数以及所设定的各项有限元分析和仿真参数，各个特征点的上述数据将分开来保存并写入到独立的inp文件中。
至于有限元仿真分析系统所配置的各项力学仿真计算算法或者公式,由当前所采用的力学仿真分析系统所配置的算法所确定。比如拉应力，压应力，拉应变和压应变的计算公式，以及所生成的应变云图，由系统直接进行有限元分析和仿真生成，自动进行各种力学仿真、分析、计算以及输出对应的力学仿真云图。
S3、读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI。
作为本申请的一可选实施方案，可选地，读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r，包括：
后台从数据储存库中读取所述标记编号下的所述骨折分析图像的股骨近端影像特征点参数化INP文件，得到各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件；
采用预设的力学仿真分析软件，对所述骨折分析图像进行股骨近端影像特征点的力学分析，找到力学仿真结果存在力应变的所述股骨近端影像特征点作为兴趣点；
将各个兴趣点进行连线，建立兴趣轮廓，得到所述感兴趣ROI，将所述感兴趣ROI作为骨折风险区域r。
如图4所示，可以根据计算结果，找到应变结果存在变化的特征点，并将这些点作为兴趣点，并基于这些兴趣点进行轮廓画线，构建感兴趣区域ROI。
通过仿真系统进行各个特征点的应力、应变数据计算之后，可以基于各个特征点的应力和应变数据的变化云图，来找到骨骼图像上存在风险的各个兴趣点，比如点2、3、6、8、9这几个点，从应力和应变云图上发现这几个点存在拉应力或者是应变数据波动变化趋势较大，或者变化数据为下跌趋势，则可能存在骨折风险。因此可以基于这几个存在拉力和应变波动较大的几个特征点，构造感兴趣ROI的轮廓点，将这几个轮廓点串联起来，得到一个感兴趣ROI区域，将这个ROI区域则为骨折风险最高的区域，即为我们应当关注的骨折主要范围。
作为本申请的一可选实施方案，可选地，还包括：
若是所述骨折分析图像上存在多个所述感兴趣ROI，则骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI。
如果根据所计算并发现的兴趣点构建得到一个感兴趣ROI，则将该感兴趣ROI作为骨折风险区域。若是发现存在多个兴趣点，并基于该多个兴趣点进行构造ROI，则可以得到若干个ROI。那么骨折风险区域则为该几个ROI区域的乘积，可以在图像上对应将这几个ROI串联起来，得到一个关联的骨折风险区域r。具体在系统后台进行操作即可。
骨骼影像图像上构建并标记出对应的骨折风险区域之后，可以采用标记模块对该风险区域r进行标记，标记之后将该具有骨折风险区域r标记的骨骼影像图像从仿真系统中导出，并可以显示在前端，供医生为患者进行骨折风险预测。
同时可以基于编号将该图像上骨折风险区域各个兴趣点的坐标以及所绑定的数据，同步显示在该谷歌影像图区上，便于用于医疗分析和骨折预测分析。
在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，同样需要将各个股骨近端影像特征点的骨强度P写入到对应的参数化INP文件中，便于后台对各个股骨近端影像特征点的骨强度P进行数字化管理，能够从后台一键输出当前患者的骨折风险区域和具体的各个股骨近端影像特征点的骨强度P。
作为本申请的一可选实施方案，可选地，计算骨折风险区域中各个股骨近端影像特征点的骨强度P，包括：
扫描所述骨折风险区域，得到位于所述骨折风险区域中的各个股骨近端影像特征点；
读取位于所述骨折风险区域中的各个股骨近端影像特征点的参数化INP文件，从所述参数化INP文件中获取位于所述骨折风险区域中的各个股骨近端影像特征点的有限元计算参数；
将所述有限元计算参数输入骨强度计算模块，计算骨折风险区域中各个股骨近端影像特征点的骨强度P，并将骨折风险区域中各个股骨近端影像特征点的骨强度P分别写入对应的所述参数化INP文件中。
参数化INP文件，可以参见上述各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件(简称“参数化INP文件”)的获取方式。后台可以读取骨折风险区域中的各个股骨近端影像特征点的参数化INP文件，得到骨折风险区域中的各个股骨近端影像特征点的有限元计算参数，并结合骨强度P：
P＝P0/α，
计算骨折风险区域中各个股骨近端影像特征点的骨强度P并将其分别写入对应的所述参数化INP文件中。这样，参数化INP文件中又包含了各个特征点的骨强度P值，后台可以依次读取风险区域中各个特征点的实际骨强度值。
作为本申请的一可选实施方案，可选地，在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，还包括：
按照各个股骨近端影像特征点的骨强度P的大小，将骨折风险区域中各个股骨近端影像特征点从小到大进行有序排列；
将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点进行标记，并标记为骨折风险点；
输出位于骨折风险区域中所述骨折风险点的坐标，并将所述骨折风险点的坐标以及对应的所述骨强度P发送并显示在力学仿真分析系统的前端，进行所述骨折风险点的可视化显示。
骨折风险区域依据特征点建立的，因此会存在特征点可能骨强度值不一的情况，某些特征点的骨强度可能超过正常值或者低于正常值。因此，面对不同的患者，虽然为其生成了骨折风险区域，但是骨折风险区域中的一些点，可能排除在骨折风险之外，骨强度高于正常值的特征点，不应当划为风险点。因此可以有序读取骨折风险区域中各个特征点的参数化INP文件并获取其骨强度P大小，将低于当前患者骨强度阈值(可以根据患者年龄来设定具体阈值，可以查询医学骨强度标准)的特征点标记为骨折风险点(真正有骨折风险的特征点)即可，其他特征点将不作为骨折风险点。
如图5所示，后台管理员可以在管理系统中设定一个骨强度阈值。在对骨折风险区域中各个股骨近端影像特征点进行骨强度计算之后，可以按照骨强度P的大小从小到大有序排列，得到风险区域中各个特征点的骨强度排序，用来显示不同区域所对应的特征点的强度大小，当前区域可以按照骨折风险点进行子区域划分，得到不同的以骨折风险点为中心的骨折风险子区域。
骨强度越大越好，骨折风险区域的各个特征点对于骨折风险区域的骨折风险分析具有参考性，所以说需要对各个特征点的骨强度大小进行分析。将低于股骨预设骨强度阈值的特征点标记出来作为骨折风险点。该骨折风险点以及周围区域为骨折最具有代表性的骨折风险子区域，可以在系统中对该骨折风险点及其周围一定半径范围内的区域都进行特征标记，并将该骨折风险点的坐标以及对应的骨强度P同步写在INP文件中，后期将这些骨折风险点展示在前端时，可以显示这些骨折风风险点以及对应的骨强度值。
后续可以在前端显示各个骨折风险点的坐标以及对应的骨强度P，便于骨科医生直接找到当前患者的骨折风险位置和骨强度值，可视化显示诊断结果，便于对症配置实施医疗方案。
后台管理员设定股强度阈值的大小值，由后台管理员具体实施。
作为本申请的一可选实施方案，可选地，在将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点标记为骨折风险点之时，还包括：
将骨强度P低于股骨预设骨强度阈值的所述骨折风险点，在原来的所述骨折风险区域中进行图层处理，使其在所述骨折风险区域中的第一显示图层区别于其他特征点的第二显示图层；
其中，所述第一显示图层的灰度值至少为所述第二显示图层的灰度值的三倍。
为了在股骨近端影像中，对骨折风险点进行“高亮”显示，后续在前端提示骨科医生和患者，对骨折风险点的图层进行了“高亮”设置，在原来的所述骨折风险区域中，对其中的骨折风险点的图层进行设定，使其图层所显示的灰度值(标记为骨折风险点之后，可以直接按照预设的灰度值进行高亮显示)高于周围其他特征点的图层灰度值。这样，在骨折风险区域中对“骨折风险点”高亮显示，便于直观提醒医患人员。
作为本申请的一可选实施方案，可选地，在将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点标记为骨折风险点之时，还包括：
根据所标记的所述骨折风险点，对所述骨折风险区域进行区域调整，将骨强度P高于股骨预设骨强度阈值的所述股骨近端影像特征点，从原来的所述骨折风险区域中排除；
基于剩余的骨强度P低于股骨预设骨强度阈值的所述骨折风险点，重建所述骨折风险区域。
真正的骨折风险点，已经标记出来，骨折风险区域中存在的其他骨强度P高于股骨预设骨强度阈值的所述股骨近端影像特征点，不再适合用于构建所述骨折风险区域，因此应当将其从原来的所述骨折风险区域中排除。后台管理员可以对这些特征点进行图层设定，使其隐藏、或者删除等操作。
基于骨折风险点，重建所述骨折风险区域。具体参见原来骨折风险区域的构建方式。本实施例默认存在若干个可以重构骨折风险区域的骨折风险点。
作为本申请的一可选实施方案，可选地，在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，还包括：
基于所述骨折风险点的坐标，获取绑定在所述骨折风险点的坐标之下的结构特征参数、为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数；
基于所述骨折风险点的结构特征参数、为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数，进行骨折风险区域的有限元数字化仿真，得到所述骨折风险区域的骨折仿真图像；
将所述骨折仿真图像存储并发送至力学仿真分析系统的前端，进行可视化显示。
本方案既然采用了力学有限元仿真应用，在计算得到各个特征点的骨强度P值之后，可以结合各个骨折风险点的坐标以及所计算的结构特征参数，以及为各个特征点所设定的载荷仿真以及有限元分析参数，在后台仿真系统中进行有限元数字化仿真，进行骨折风险点以及风险子区域的骨折仿真，得到骨折风险区域的仿真图像，具体结合仿真系统进行。
在得到上述骨折点的各项有限元分析参数之后，可以在力学仿真系统上对不同点进行骨折仿真，比如说将各个骨折风险点按照从小到大进行有序排列，骨折裂缝可以参照骨折风险点的连线进行仿真模拟，结合应力应变云图，对骨折结构进行模拟仿真等，裂缝发小结合骨折风险点的骨强度P进行仿真即可，具体仿真过程可以由后台管理员完成，在后台仿真系统中进行仿真参数设定。得到对应的骨折仿真图像之后，可以将仿真图像发送至前端进行可视化显示。
仿真图像上包含了骨折可能的裂缝仿真图像，用于预测骨折开裂的风险。
需要说明的是，尽管以Abaqus作为示例介绍了如上有限元仿真分析，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据实际应用场景灵活设定有限元分析软件，只要可以按照上述技术实现本申请的技术功能即可。
显然，本领域的技术人员应该明白，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
实施例2
如图2所示，基于实施例1的实施原理，本申请另一方面，提出一种实现所述用于计算骨强度的力学仿真分析方法的系统，包括：
数字化处理模块，用于采集骨骼影像数据，将所述骨骼影像数据导入预设的力学仿真分析系统中，并对所述骨骼影像数据进行数字化处理；
配准模块，用于采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
INP构建模块，用于为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
骨折预测模块，用于读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI；
骨强度计算模块，用于计算骨折风险区域中各个股骨近端影像特征点的骨强度P：
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：
S0为股骨近端影像特征点的拉伸屈服应变阈值；
S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果；
显示模块，用于显示骨折风险点的坐标和骨折仿真图像。
上述各个模块的功能和交互，具体请参见实施例1的描述。
上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
实施例3
如图6所示，更进一步地，本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的一种用于计算骨强度的力学仿真分析方法。
本公开实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种用于计算骨强度的力学仿真分析方法。
此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本公开实施例的电子设备中，还可以包括输入装置和输出装置。其中，处理器、存储器、输入装置和输出装置之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的一种用于计算骨强度的力学仿真分析方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种用于计算骨强度的力学仿真分析方法，其特征在于，包括如下步骤：
采用预设的配准算法，获取骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域；
计算骨折风险区域中各个股骨近端影像特征点的骨强度P：
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：
S0为股骨近端影像特征点的拉伸屈服应变阈值；
S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果。
2.根据权利要求1所述的用于计算骨强度的力学仿真分析方法，其特征在于，计算骨折风险区域中各个股骨近端影像特征点的骨强度P，包括：
扫描所述骨折风险区域，得到位于所述骨折风险区域中的各个股骨近端影像特征点；
读取位于所述骨折风险区域中的各个股骨近端影像特征点的参数化INP文件，从所述参数化INP文件中获取位于所述骨折风险区域中的各个股骨近端影像特征点的有限元计算参数；
将所述有限元计算参数输入骨强度计算模块，计算骨折风险区域中各个股骨近端影像特征点的骨强度P，并将骨折风险区域中各个股骨近端影像特征点的骨强度P分别写入对应的所述参数化INP文件中。
3.根据权利要求1所述的用于计算骨强度的力学仿真分析方法，其特征在于，在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，还包括：
按照各个股骨近端影像特征点的骨强度P的大小，将骨折风险区域中各个股骨近端影像特征点从小到大进行有序排列；
将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点进行标记，并标记为骨折风险点；
输出位于骨折风险区域中所述骨折风险点的坐标，并将所述骨折风险点的坐标以及对应的所述骨强度P发送并显示在力学仿真分析系统的前端，进行所述骨折风险点的可视化显示。
4.根据权利要求3所述的用于计算骨强度的力学仿真分析方法，其特征在于，在将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点标记为骨折风险点之时，还包括：
将骨强度P低于股骨预设骨强度阈值的所述骨折风险点，在原来的所述骨折风险区域中进行图层处理，使其在所述骨折风险区域中的第一显示图层区别于其他特征点的第二显示图层；
其中，所述第一显示图层的灰度值至少为所述第二显示图层的灰度值的三倍。
5.根据权利要求3所述的用于计算骨强度的力学仿真分析方法，其特征在于，在将骨强度P低于股骨预设骨强度阈值的所述股骨近端影像特征点标记为骨折风险点之时，还包括：
根据所标记的所述骨折风险点，对所述骨折风险区域进行区域调整，将骨强度P高于股骨预设骨强度阈值的所述股骨近端影像特征点，从原来的所述骨折风险区域中排除；
基于剩余的骨强度P低于股骨预设骨强度阈值的所述骨折风险点，重建所述骨折风险区域。
6.根据权利要求3所述的用于计算骨强度的力学仿真分析方法，其特征在于，在计算骨折风险区域中各个股骨近端影像特征点的骨强度P之后，还包括：
基于所述骨折风险点的坐标，获取绑定在所述骨折风险点的坐标之下的结构特征参数、为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数；
基于所述骨折风险点的结构特征参数、为所述股骨近端影像特征点设定对应的载荷仿真参数以及有限元分析参数，进行骨折风险区域的有限元数字化仿真，得到所述骨折风险区域的骨折仿真图像；
将所述骨折仿真图像存储并发送至力学仿真分析系统的前端，进行可视化显示。
7.根据权利要求1所述的用于计算骨强度的力学仿真分析方法，其特征在于，还包括：采集骨骼影像数据，将所述骨骼影像数据导入预设的力学仿真分析系统中，并对所述骨骼影像数据进行数字化处理，包括：
采集若干张骨骼影像图像，有序标记并导入预设的力学仿真分析系统，计算各个骨骼影像图像上影像灰度值的分布数据；
从各个骨骼影像图像的灰度值分布数据中，找到灰度值平滑分布的骨骼影像图像，并将该骨骼影像图像作为本次骨折风险预测的骨折分析图像，且将所述骨折分析图像的标记编号存储在数据储存库中；
调用力学仿真分析系统的预处理模块，对所述骨折分析图像进行预处理；
将预处理后的所述骨折分析图像进行数字化处理，得到数字化的骨折分析图像，并将数字化的所述骨折分析图像保存在力学仿真分析系统的数据储存库中，并绑定至对应的标记编号之下。
8.根据权利要求1所述的用于计算骨强度的力学仿真分析方法，其特征在于，读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r，包括：
后台从数据储存库中读取所述标记编号下的所述骨折分析图像的股骨近端影像特征点参数化INP文件，得到各个所述股骨近端影像特征点的所述股骨近端影像特征点参数化INP文件；
采用预设的力学仿真分析软件，对所述骨折分析图像进行股骨近端影像特征点的力学分析，找到力学仿真结果存在力应变的所述股骨近端影像特征点作为兴趣点；
将各个兴趣点进行连线，建立兴趣轮廓，得到所述感兴趣ROI，将所述感兴趣ROI作为骨折风险区域r；
还包括：
若是所述骨折分析图像上存在多个所述感兴趣ROI，则骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI。
9.一种实现权利要求1-8中任一项所述用于计算骨强度的力学仿真分析方法的系统，其特征在于，包括：
数字化处理模块，用于采集骨骼影像数据，将所述骨骼影像数据导入预设的力学仿真分析系统中，并对所述骨骼影像数据进行数字化处理；
配准模块，用于采用预设的配准算法，获取所述骨骼影像数据中每个股骨近端影像特征点，并基于所述股骨近端影像特征点计算股骨近端的结构学特征；
INP构建模块，用于为所述股骨近端影像特征点配置分析参数，生成并保存对应的INP文件至力学仿真分析系统的数据库中；
骨折预测模块，用于读取所述INP文件，并根据所述股骨近端影像特征点的力学仿真分析数据，建立对应的感兴趣区域ROI，并对所述感兴趣区域ROI进行标记，得到骨折风险区域r：
r＝∏ROI(t)；
ROI(t)为骨骼影像图像上的任一感兴趣区域ROI；
骨强度计算模块，用于计算骨折风险区域中各个股骨近端影像特征点的骨强度P：
P＝P0/α
P0为股骨近端影像特征点上所施加的载荷；
α为股骨近端影像特征点的失效比：
α＝S/S0
其中：
S0为股骨近端影像特征点的拉伸屈服应变阈值；
S为应力屈服拉伸，通过力学仿真分析软件对股骨近端影像特征点进行有限元计算得到的拉应变计算结果；
显示模块，用于显示骨折风险点的坐标和骨折仿真图像。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1-8中任一项所述的用于计算骨强度的力学仿真分析方法。
CN202310642519.9A 2023-06-01 2023-06-01 一种用于计算骨强度的力学仿真分析方法及系统 Active CN116864102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310642519.9A CN116864102B (zh) 2023-06-01 2023-06-01 一种用于计算骨强度的力学仿真分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310642519.9A CN116864102B (zh) 2023-06-01 2023-06-01 一种用于计算骨强度的力学仿真分析方法及系统

Publications (2)

Publication Number Publication Date
CN116864102A CN116864102A (zh) 2023-10-10
CN116864102B true CN116864102B (zh) 2024-01-02

Family

ID=88217944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310642519.9A Active CN116864102B (zh) 2023-06-01 2023-06-01 一种用于计算骨强度的力学仿真分析方法及系统

Country Status (1)

Country Link
CN (1) CN116864102B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022267634A1 (zh) * 2021-06-22 2022-12-29 天津大学 一种用于骨折手术机器人的力学调控仿真系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9245069B2 (en) * 2012-02-03 2016-01-26 The Regents Of The University Of California Methods for calculating bone fracture load
US10622102B2 (en) * 2017-02-24 2020-04-14 Siemens Healthcare Gmbh Personalized assessment of bone health

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022267634A1 (zh) * 2021-06-22 2022-12-29 天津大学 一种用于骨折手术机器人的力学调控仿真系统

Also Published As

Publication number Publication date
CN116864102A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
JP7279015B2 (ja) マンモグラフィにおける密度の評価
Panetta et al. Nonlinear unsharp masking for mammogram enhancement
CN112070119B (zh) 超声切面图像质量控制方法、装置和计算机设备
CN111310841B (zh) 医学图像分类方法、装置、设备、计算机设备和存储介质
US8442280B2 (en) Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading
CN111223554A (zh) 一种智能ai pacs系统及其检查报告信息处理方法
CN101203170A (zh) 计算机辅助检测系统和方法
CN110210519B (zh) 分类方法、计算机设备和存储介质
CN114730451A (zh) 使用纹理分析进行图像质量（iq）标准化和系统健康预测的磁共振（mr）图像伪影确定
US20220284578A1 (en) Image processing for stroke characterization
KR20200060102A (ko) 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법
CN113658175A (zh) 一种征象数据的确定方法及装置
CN115954101A (zh) 一种基于ai舌诊图像处理的健康度管理系统及管理方法
CN1672176A (zh) 把计算机辅助检测应用分配给数字图像的系统和方法
CN111128348A (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN111816284B (zh) 医疗测试数据的批量生成方法、装置、设备及存储介质
CN116864102B (zh) 一种用于计算骨强度的力学仿真分析方法及系统
EP3767634B1 (en) Method and system for data augmentation using simulated contrasts
CN110852384A (zh) 医学影像质量检测方法、装置和存储介质
CN110738702A (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
CN113962990B (zh) 胸部ct图像识别方法、装置、计算机设备和存储介质
CN116959708A (zh) 一种用于预测骨折风险的力学仿真分析方法及系统
WO2023274599A1 (en) Methods and systems for automated follow-up reading of medical image data
CN114360695A (zh) 乳腺超声扫查分析辅助系统、介质及设备
CN116664800B (zh) 一种骨骼内固定模式下的有限元骨强度评估方法

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