CN116889467A - 一种脊柱椎体的智能自置钉方法、装置、设备及介质 - Google Patents
一种脊柱椎体的智能自置钉方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116889467A CN116889467A CN202310744345.7A CN202310744345A CN116889467A CN 116889467 A CN116889467 A CN 116889467A CN 202310744345 A CN202310744345 A CN 202310744345A CN 116889467 A CN116889467 A CN 116889467A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- nail
- vertebral
- segmentation map
- spine
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 255
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- 208000014674 injury Diseases 0.000 abstract description 8
- 208000027418 Wounds and injury Diseases 0.000 abstract description 7
- 230000006378 damage Effects 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 50
- 230000006870 function Effects 0.000 description 15
- 208000020307 Spinal disease Diseases 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 208000002193 Pain Diseases 0.000 description 8
- 230000036407 pain Effects 0.000 description 8
- 238000012937 correction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 206010039722 scoliosis Diseases 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 230000001771 impaired effect Effects 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 208000020431 spinal cord injury Diseases 0.000 description 4
- 206010058907 Spinal deformity Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002612 cardiopulmonary effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000035824 paresthesia Diseases 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000008035 Back Pain Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 2
- 206010061296 Motor dysfunction Diseases 0.000 description 2
- 208000031264 Nerve root compression Diseases 0.000 description 2
- 206010037779 Radiculopathy Diseases 0.000 description 2
- 208000020339 Spinal injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009251 neurologic dysfunction Effects 0.000 description 2
- 208000015015 neurological dysfunction Diseases 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 206010069632 Bladder dysfunction Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000014540 Functional gastrointestinal disease Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000010428 Muscle Weakness Diseases 0.000 description 1
- 206010028372 Muscular weakness Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000003926 Myelitis Diseases 0.000 description 1
- 206010028836 Neck pain Diseases 0.000 description 1
- 206010029174 Nerve compression Diseases 0.000 description 1
- 206010029240 Neuritis Diseases 0.000 description 1
- 206010060860 Neurological symptom Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000008765 Sciatica Diseases 0.000 description 1
- 208000007103 Spondylolisthesis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 201000007637 bowel dysfunction Diseases 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000007830 nerve conduction Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 208000024335 physical disease Diseases 0.000 description 1
- 230000008653 root damage Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 210000000273 spinal nerve root Anatomy 0.000 description 1
- 231100001060 spine abnormality Toxicity 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- 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
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种脊柱椎体的智能自置钉方法、装置、设备及介质,所述方法包括:获取待置钉的脊柱椎体三维图像;将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。本申请中,通过冠状位切分脊柱椎体三维图像,结合预训练的神经网络模型,在无需医生参与的情况下,确定置钉参数,不仅降低了对医生术感的依赖,且在保证精度的同时避免了二次伤害。
Description
技术领域
本申请涉及医疗器械技术领域,具体而言,涉及一种脊柱椎体的智能自置钉方法、装置、设备及介质。
背景技术
脊柱疾病是指影响脊柱结构和功能的各种疾病和病变。它们可以导致广泛的健康问题和身体功能障碍,例如运动功能障碍、神经功能障碍、神经根压迫、脊髓受损、器官受压、心肺功能受损以及心理健康问题。脊柱手术中的钉子放置是一种常见的治疗脊柱疾病的手段之一。它主要用于脊柱畸形矫正、脊柱稳定和脊柱融合手术中。
但是目前的脊柱置钉,主要是靠医生的术感和椎弓根探针对置钉通道的探摸来确定置钉参数,这对医生的临床经验要求很高,精度难以保证,且容易造成二次伤害。
发明内容
本申请解决的问题是当前置钉参数的确定方法过于依赖医生术感。
为解决上述问题,本申请第一方面提供了一种脊柱椎体的智能自置钉方法,包括:
获取待置钉的脊柱椎体三维图像;
将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
进一步地,所述根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数之后,还包括:
获取医疗过程中基于所述脊柱椎体的置钉参数修正后的置钉参数,并将待置钉的脊柱椎体三维图像和修正后的所述置钉参数作为所述第一置钉样本。
进一步地,所述获取待置钉的脊柱椎体三维图像之前,还包括:
获取第一置钉样本,所述第一置钉样本包括脊柱椎体样本图像和标注的置钉参数;
沿冠状位切分所述脊柱椎体样本图像;
根据切分后的所述脊柱椎体样本图像和标注的置钉参数,确定多个备选切分图和选取的椎弓根峡部切分图;
将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图;
根据选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部切分图计算整体损失;
根据所述整体损失对所述神经网络模型进行迭代,直至所述整体损失收敛为止。
进一步地,所述神经网络模型包括第一特征提取层、第二特征提取层、最大池化层和全连接层;所述将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图,包括:
将多个所述备选切分图输入依次排列的第一特征提取层和第二特征提取层,得到第一特征图;
将所述第一特征图输入最大池化层,得到降维后的第二特征图;
将所述第二特征图输入所述全连接层,得到特征值;
确定与所述特征值对应的备选切分图编号,该备选切分图即为预测的所述椎弓根峡部切分图。
进一步地,所述置钉参数包括置钉的起点和终点、置钉角度、钉子直径和钉子长度;所述根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数,包括:
获取预设的置钉角度;
基于所述椎弓根峡部切分图确定置钉的起点与钉子直径;
根据所述脊柱椎体三维图像及所述置钉角度确定钉子长度和置钉的终点。
进一步地,所述基于所述椎弓根峡部切分图确定置钉的起点与钉子直径,包括:
确定所述椎弓根峡部切分图中的两个连通域;
计算每个连通域的最小外接矩形的最短边与对称中心;
根据所述最短边的长度与预设的比例,确定钉子直径;
将每个最小外接矩形的所述对称中心作为置钉的起点。
进一步地,所述根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图,包括:
基于椎弓根形态从多个所述冠状位切分图中选取椎弓根切分图,所述椎弓根切分图为临近椎弓根峡部的冠状位切分图;
以所述椎弓根切分图为中心,从所述冠状位切分图中选取预设数量的冠状位切分图作为备选切分图;
将所述备选切分图输入所述神经网络模型,得到所述椎弓根峡部切分图。
本申请第二方面提供了一种脊柱椎体的智能自置钉装置,其包括:
图像获取模块,其用于获取待置钉的脊柱椎体三维图像;
图像切分模块,其用于将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
神经网络模块,其用于根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
参数确定模块,其用于根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
本申请第三方面提供了一种电子设备,其包括:存储器和处理器;
所述存储器,其用于存储程序;
所述处理器,耦合至所述存储器,用于执行所述程序,以用于:
获取待置钉的脊柱椎体三维图像;
将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
本申请第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述所述的脊柱椎体的智能自置钉方法。
本申请中,通过冠状位切分脊柱椎体三维图像,结合预训练的神经网络模型,在无需医生参与的情况下,确定置钉参数,不仅降低了对医生术感的依赖,且仅通过三维图像确定置钉参数,在保证精度的同时避免了二次伤害。
本申请中,通过对神经网络模型进行预训练,从而将主要计算工作放置在后台完成,从而大大降低脊柱椎体的智能自置钉过程中需要占用的计算资源。
另外,通过将确定置钉参数后医生的后续修正数据作为样本对神经网络模型进行预训练,从而可以将神经网络模型的训练和实际使用构成循环,达到不断迭代的效果。
附图说明
图1为根据本申请实施例的脊柱椎体的智能自置钉方法的流程图;
图2为本申请实施例脊柱的三维立体图像的示意图;
图3为根据本申请实施例的脊柱椎体的智能自置钉方法模型训练的流程图;
图4为根据本申请实施例的脊柱椎体的智能自置钉方法神经网络模型的架构图;
图5为根据本申请实施例的脊柱椎体的智能自置钉装置的结构框图;
图6为根据本申请实施例的电子设备的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更为明显易懂,下面结合附图对本申请的具体实施例做详细的说明。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
脊柱疾病是指影响脊柱结构和功能的各种疾病和病变。它们可以导致广泛的健康问题和身体功能障碍。以下是脊柱疾病可能带来的一些主要危害:
疼痛:脊柱疾病常常导致脊柱及其周围组织的疼痛,包括颈部、背部和腰部疼痛。这些疼痛可能是由于脊柱结构的损伤、神经受压或炎症引起的。疼痛可以影响到日常生活活动、工作能力和睡眠质量。
运动功能障碍:脊柱疾病可能导致运动功能障碍,如肌肉无力、僵硬和活动受限。这些问题可能影响到平衡、步态和日常活动的执行。严重的脊柱疾病,如脊髓损伤,甚至可能导致瘫痪。
神经功能障碍:某些脊柱疾病可能导致神经受压或损伤,引起感觉异常、肌力下降、麻木和刺痛等神经功能障碍。例如,椎间盘突出症可以压迫脊髓或神经根,导致疼痛、放射性痛和肌力减退等症状。
神经根压迫:某些脊柱疾病可能导致神经根受到压迫,引起放射性疼痛和神经根受损症状,如坐骨神经痛。这种痛苦可能会向下放射到臀部、大腿、小腿和脚部,严重影响患者的生活质量。
脊髓受损:严重的脊柱疾病,如脊柱损伤或脊髓炎,可能导致脊髓受损。这可能引起运动功能丧失、感觉异常、膀胱和肠道功能障碍等严重后果。
器官受压:某些脊柱疾病可能导致脊柱结构的异常变化,进而对周围的器官产生压迫。例如,脊柱侧弯(脊柱侧弯症)可能压迫肺部,导致呼吸困难和肺功能受损。
神经系统症状:脊柱疾病可能对神经系统产生广泛的影响,包括头痛、眩晕、注意力不集中、记忆力减退等症状。这些症状可能由于神经传导受到干扰或脊柱问题对脑血流的影响而引起。
心肺功能受损:严重的脊柱疾病,如胸椎畸形或胸部脊柱损伤,可能影响心肺功能。脊柱的结构异常可能限制胸部的运动,导致呼吸困难和心脏功能受损。
脊柱手术中的钉子放置是一种常见的治疗脊柱疾病的手段之一。它主要用于脊柱畸形矫正、脊柱稳定和脊柱融合手术中。下面是关于这种治疗方案的详细介绍:
钉子放置的适应症:脊柱手术放置钉子一般适用于以下情况:
脊柱畸形:如脊柱侧弯(脊柱侧弯症)、脊柱裂(脊柱裂症)等。
脊柱创伤:如骨折、脱位等。
脊柱退行性病变:如椎间盘突出、脊椎滑脱等。
但是目前的脊柱置钉,主要是靠医生的术感和椎弓根探针对置钉通道的探摸来确定置钉参数,这对医生的临床经验要求很高,精度难以保证,且容易造成二次伤害。
针对上述问题,本申请提供一种新的脊柱椎体的智能自置钉方案,能够通过脊柱椎体三维图像确定置钉参数,解决当前置钉参数的确定方法过于依赖医生术感的问题。
为了便于理解,在此对下述可能使用的术语进行解释:
冠状面:又称额状面。即从左右方向,沿人体的长轴将人体纵切为前、后两部分的切面。该命名仅是为了在临床中将器官位置描述的更具体,英文名称为:Coronal Section。
矢状面:是将人体分成左右两面的解剖面,与这个面平行的也是矢状面。处于该位置的为矢状位。矢状位的英文名称是:Median Sagittal Section。
水平位:又称横断位,即左右、前后构成的面为水平位,英文名称为:TransverseSection。
连通域:图中的连通域是指图像中具有相同像素值(二值化图像)并且位置相邻的像素组成的区域。
连通域分析:是指在图像中寻找出彼此互相独立的连通域并将其标记出来。一般情况下,一个连通域内只包含一个像素值,因此为了防止像素值波动对提取不同连通域的影响,连通域分析常处理的是二值化后的图像。
本申请实施例提供了一种脊柱椎体的智能自置钉方法,该方法的具体方案由图1-图4所示,该方法可以由脊柱椎体的智能自置钉装置来执行,该脊柱椎体的智能自置钉装置可以集成在电脑、服务器、计算机、服务器集群、数据中心等电子设备中。结合图1、图2所示,其为根据本申请一个实施例的脊柱椎体的智能自置钉方法的流程图;其中,所述脊柱椎体的智能自置钉方法,包括:
S200,获取待置钉的脊柱椎体三维图像;
本申请中,脊柱由26块脊椎骨合成,每个脊椎骨即为一个脊柱椎体。其中,待置钉的脊柱椎体三维图像为独立的脊柱椎体的三维图像。
在一种具体实施方式中,所述获取待置钉的脊柱椎体三维图像,包括:
获取脊柱椎体的医学图像;
根据所述医学图像生成脊柱的三维立体图像;
通过图像分割网络模型将所述三维立体图像分割为多个独立的脊柱椎体三维图像;
确定待置钉的脊柱椎体三维图像。
其中,所述脊柱椎体的医学图像为包含脊柱椎体的医学图像,基于该医学图像可以判断出脊柱椎体状态。医学图像例如包括:X线片、电子计算机断层扫描(ComputedTomography,CT)图像、磁共振(Magnetic Resonance Imaging,MRI)图像,或者上述多个图像的合成图像等。
其中,可以通过三维重构软件根据所述医学图像生成脊柱的三维立体图像,也可以通过其他方式合成三维立体图像,具体生成方式,本申请中不再赘述。
其中,所述图像分割网络模型可以为FCN模型、NN-UNET模型等,具体模型及该模型的训练过程本申请中不再赘述。
如图2所示,其为脊柱的三维立体图像,框中圈住的即为待置钉的脊柱椎体。
本申请中,可以基于脊柱椎体的编号或本身特征确定待置钉的脊柱椎体三维图像。
在一种具体实施方式中,也可以直接获取脊柱椎体的三维图像。
S300,将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
其中,沿冠状位即是沿三维模型中人体的前后方向进行切分,从前之后依次切分为多个平面,每个平面即是一个冠状位切分图。
在一种实施方式中,以所述脊柱椎体三维图像前后方向相邻的两个像素点之间的距离为厚度进行切分,也即是按照所述脊柱椎体三维图像的最小分辨单位进行切分。其中的最小分辨单位,也即是相邻两个像素点之间的距离。通过最小分辨单位进行切分,达到更细致的切分,从而提高识别的精度和准确度。
实际执行过程中,若脊柱椎体三维图像是由CT医学图像合成的,则其最小分辨一般为0.625mm。
S400,根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
本申请中,脊柱椎体具有椎弓根,椎弓根的最细部分为峡部。本申请中,认为置钉/置钉通道的轴线穿过椎弓根峡部的中点。
需要说明的是,由于椎弓根的形状不规则,因此很难依据常规判断椎弓根的最细部分,且实际执行过程中,由于需要考量其他影响因素,因此最佳选择中的置钉轴线与椎弓根实际峡部的中点可能并不重合,本申请中所指的椎弓根峡部切分图,并非是椎弓根最细部分的切分图,而是其上的椎弓根图案的中点与轴线最接近的冠状位切分图。
S500,根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
本申请中,通过冠状位切分脊柱椎体三维图像,结合预训练的神经网络模型,在无需医生参与的情况下,确定置钉参数,不仅降低了对医生术感的依赖,且仅通过三维图像确定置钉参数,在保证精度的同时避免了二次伤害。
结合图1所示,在一种实施方式中,所述S500,根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数之后,还包括:
S600,获取医疗过程中基于所述脊柱椎体的置钉参数修正后的置钉参数,并将待置钉的脊柱椎体三维图像和修正后的所述置钉参数作为所述第一置钉样本。
本申请中,脊柱椎体的智能自置钉方法确定的置钉参数后,可以在三维图像中显示出来,以供医生对置钉参数进行修正,修正后的置钉参数作为样本参数,对神经网络模型进行不断迭代。
本申请中,在确定置钉参数后,结合医生的后续修正数据作为预训练的神经网络模型的训练参数,从而不断对预训练的神经网络模型进行迭代,保证神经网络模型输出的准确性。
结合图3所示,在一种实施方式中,所述S200,获取待置钉的脊柱椎体三维图像之前,还包括:
S101,获取第一置钉样本,所述第一置钉样本包括脊柱椎体样本图像和标注的置钉参数;
其中,所述脊柱椎体样本图像和标注的置钉参数用于训练神经网络模型,标注的置钉参数为监督信号。
本申请中,第一置钉样本中的脊柱椎体样本图像与待置钉的脊柱椎体三维图像中的脊柱椎体为脊柱的相同编号的椎体。例如,均为脊柱的3号椎体。
通过将第一置钉样本与待置钉的脊柱椎体进行统一,从而降低不同脊柱椎体之间的差异性造成的干扰。
S102,沿冠状位切分所述脊柱椎体样本图像;
其中,脊柱椎体样本图像即是脊柱椎体三维图像,与待置钉的脊柱椎体三维图像不同之处在于,脊柱椎体样本图像上具有标注的置钉参数。
其中,脊柱椎体样本图像的获取过程及切分过程可以参照步骤S200-S300中脊柱椎体三维图像的获取及切分过程,具体过程本步骤中不再赘述。
本申请中,第一置钉样本中的脊柱椎体样本图像与待置钉的脊柱椎体三维图像的切分厚度相同,从而避免不同切分厚度之间的差异性造成的干扰。
S103,根据切分后的所述脊柱椎体样本图像和标注的置钉参数,确定多个备选切分图和选取的椎弓根峡部切分图;
其中,所述备选切分图为包括椎弓根峡部切分图在内的连续排列的多个冠状位切分图;该椎弓根峡部切分图即是从多个备选切分图中选取。
本申请中,可以通过步骤S101-S103获取备选切分图及椎弓根峡部切分图,也可以直接获取备选切分图及椎弓根峡部切分图及标注的置钉参数,从而无需计算。
S104,将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图;
需要说明的是,预测的椎弓根峡部切分图为备选切分图中的一个。
S105,根据选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部切分图计算整体损失;
本步骤中,选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部切分图均为备选切分图中的其中一个,因此选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部可以是对应备选切分图的向量表示,也可以是其在备选切分图中的编号,具体形式可以根据整体损失函数确定。
本申请中,所述整体损失为交叉熵损失。
S106,根据所述整体损失对所述神经网络模型进行迭代,直至所述整体损失收敛为止。
本申请中,通过对神经网络模型进行预训练,从而将主要计算工作放置在后台完成,从而大大降低脊柱椎体的智能自置钉过程中需要占用的计算资源。
另外,通过将确定置钉参数后医生的后续修正数据作为样本对神经网络模型进行预训练,从而可以将神经网络模型的训练和实际使用构成循环,达到不断迭代的效果。
在一种实施方式中,所述冠状位切分图为二值化图像。
优选地,所述备选切分图、所述椎弓根峡部切分图也为二值化图像。
本申请中,通过设置二值化图像,从而大大降低神经网络模型预训练及脊柱椎体的智能自置钉过程中需要占用的计算资源。
需要说明的是,所述冠状位切分图为二值化图像,可以是直接获取二值化的脊柱椎体三维图像,进而得到切分后的冠状位切分图;也可以是直接获取脊柱椎体三维图像,并将切分后的冠状位切分图进行二值化。
结合图4所示,在一种实施方式中,所述神经网络模型包括第一特征提取层、第二特征提取层、最大池化层和全连接层;所述S104,将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图,包括:
将多个所述备选切分图输入依次排列的第一特征提取层和第二特征提取层,得到第一特征图;
将所述第一特征图输入最大池化层,得到降维后的第二特征图;
将所述第二特征图输入所述全连接层,得到特征值;
确定与所述特征值对应的备选切分图编号,该备选切分图即为预测的所述椎弓根峡部切分图。
本申请中,最大池化层以提取出指定窗口的特征(最大)数据,显著减少了特征图(特征张量的大小)。另外,由于最大池化能提取出特定窗口的最大数据,无论该数据在窗口中的原始位置在哪个具体位置,因此最大池化层也同时环节了对所要识别特征的位置敏感性。
本申请中通过最大池化层,减少了卷积核的尺寸,同时又保留了相应特征,达到了非常好的降维效果。且最大池化层可以使得误差稀疏,防止过拟合的发生。
本申请中,全连接层(fully connected layers,FC)在整个卷积神经网络中起到“分类器”的作用。在实际使用中,全连接层可由卷积操作实现:对前层是全连接的全连接层可以转化为卷积核为1x1的卷积;而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积,h和w分别为前层卷积结果的高和宽。
需要说明的是,由于三维图像的精度较高,其对应的冠状位切分图的像素点较多,因此使得在神经网络模型的训练过程中容易过拟合。
本申请中,通过设置仅双层的特征提取层进行特征提取,从而降低了过拟合的风险;结合最大池化层进行的降维及误差稀疏,从而避免了过拟合的发生。
在一种实施方式中,所述置钉参数包括置钉的起点和终点、置钉角度、钉子直径和钉子长度;所述S500,根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数,包括:
获取预设的置钉角度;
基于所述椎弓根峡部切分图确定置钉的起点与钉子直径;
根据所述脊柱椎体三维图像及所述置钉角度确定钉子长度和置钉的终点。
本申请中,预设的置钉角度可以通过手术操作规格中规定的钉子与横断面和矢状位的夹角确定。
本申请中,第一置钉样本中的脊柱椎体样本图像与待置钉的脊柱椎体三维图像中的预设的置钉角度相同,从而避免不同的置钉角度造成的干扰。
需要说明的是,本申请中,对于置钉角度采取相同的置钉角度,因此在确定置钉参数之后由医生进行修正时,应当固定置钉角度,避免医生修改,从而可以在修改的置钉参数中获取相同的置钉角度。
其中,若置钉角度固定不变,则本申请脊柱椎体的智能自置钉方法可以在此基础上仅确定置钉的起点和终点、钉子直径和钉子长度。
在一种实施方式中,所述基于所述椎弓根峡部切分图确定置钉的起点与钉子直径,包括:
确定所述椎弓根峡部切分图中的两个连通域;
计算每个连通域的最小外接矩形的最短边与对称中心;
根据所述最短边的长度与预设的比例,确定钉子直径;
将每个最小外接矩形的所述对称中心作为置钉的起点。
本申请中,每个连通域的最小外接矩形,可以基于连通域的数据直接确定,也即是经过连通域的边缘的最上端、最下端、最左端、最右端的边缘点的直线/线段组成的图形。
本申请中的预设的比例,为钉子直径与最短边的比例,其具体取值范围为0.7-0.99。
优选地,所述预设比例为0.8。
本申请中,在确定连通域的最小外接矩形后,直接确定置钉的起点与钉子直径;这样,利用(与确定连通域的最大内接圆的方式等相比)最小外接矩形易于计算的特点,大大降低了连通域的中心及对应最短径所占据的计算资源。
本申请中,通过将最小外接矩形与神经网络模型结合,一方面通过最小外接矩形大大降低了计算资源,另一方面通过神经网络模型消除了最小外接矩形的中心及最短径与连通域的中心及最短径不重合造成的误差。
在此,需要说明的是,最小外接矩形的中心及最短径与连通域的中心及最短径不重合,选取的椎弓根峡部切分图与椎弓根切分图也不一定相同;这种情况会使得最终结果的误差的指数性放大;但引入神经网络模型后,通过神经网络模型采取相同方式获取的第一置钉样本和待置钉的脊柱椎体三维图像及相同的处理过程,消除了上述情况造成的误差,从而在实现智能自置钉的基础上,保证了置钉参数的精度。
在一种实施方式中,所述S400,根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图,包括:
基于椎弓根形态从多个所述冠状位切分图中选取椎弓根切分图,所述椎弓根切分图为临近椎弓根峡部的冠状位切分图;
以所述椎弓根切分图为中心,从所述冠状位切分图中选取预设数量的冠状位切分图作为备选切分图;
将所述备选切分图输入所述神经网络模型,得到所述椎弓根峡部切分图。
本申请中,椎弓根形态由前至后呈现尺寸逐步收缩后放大的特征,基于椎弓根形态的该特征,可以从冠状位切分图中选出尺寸收缩到最小(尺寸放大之前)的切分图作为临近椎弓根峡部的冠状位切分图作为椎弓根切分图。
本申请中,椎弓根切分图的具体选取方式不再赘述。
需要说明的是,椎弓根最峡部所在平面与冠状位切分图并不平行,因此无法在冠状位切分图中找到椎弓根最峡部,本申请中,将临近椎弓根最峡部的切分图作为选取目标,从而降低选取的难度。
需要说明的是,该临近椎弓根峡部的椎弓根切分图,仅作为后续神经网络模型的输入参数的中心,因此对其选择精度的容错较高;即使未能选取椎弓根切分图,而是选取了该椎弓根切分图相邻的切分图,在后续选取中依然会将椎弓根切分图选为备选切分图中的一个,因此对神经网络模型的输入参数影响较小。
本申请中,所述以所述椎弓根切分图为中心,从所述冠状位切分图中选取预设数量的冠状位切分图作为备选切分图中的预设数量可以根据实际情况确定。
实际执行过程中,以椎弓根切分图为中心,向前选取N个冠状位切分图,向后选取N个冠状位切分图,将次2N+1个冠状位切分图作为备选切分图。
需要说明的是,冠状位切分图的预设数量与相邻的冠状位切分图的间隔(厚度)相关联,若厚度增大,则需要选取更少数量的冠状位切分图作为备选切分图。
优选地,所述备选切分图的数量为7个,即是将椎弓根切分图的前后3层作为备选切分图。
在一种实施方式中,所述根据所述脊柱椎体三维图像及所述置钉角度确定钉子长度和置钉的终点,包括:
确定脊柱椎体的最大径,基于最大径确定钉子长度,基于钉子长度、预设角度和置钉的起点计算出置钉的终点。
本申请中,脊柱椎体的最大径,即是椎体在前后方向的最大值。
本申请中,通过脊柱椎体的最大径对钉子长度进行约束,以避免置钉时钉子后端过长,影响置钉效果。
本申请中,脊柱椎体的最大径的具体确定方法可以结合横断面进行投影,确定投影中的椎体的最前端与最后端的坐标,并计算差值作为最大径;也可以是选取多个连续的横断面中椎体对应的连通域,根据每个连通域前后向的长度的最大值作为最大径。
本申请中,钉子长度与最大径的比例的取值范围为0.7-0.95,从而避免置钉时钉子贯穿椎体。
优选地,钉子长度与最大径的比例为2/3。
通过将比例选取为2/3,可以在满足置钉条件的同时增加脊柱椎体对最大径的容错程度。
需要说明的是,可以通过函数约束多方面求解的方式获得椎弓根最峡部的中心点,但是这种函数求解由于约束函数过多,计算复杂,占据很大的计算量;且每个人的每个脊柱椎体的约束均不相同,每次均需要重新求解,造成了计算量的极大浪费。但是通过对椎弓根最峡部的分析,椎弓根最峡部所位于的平面与冠状面(与矢状面、横断面相比)的夹角最小。
本申请,通过对脊柱椎体三维图像沿冠状位切分后进行分析确定置钉参数,利用椎弓根最峡部所在平面与冠状面近似的特点,以冠状面切分图来确定与椎弓根最峡部近似的切分图,作为椎弓根切分图;该椎弓根切分图与椎弓根最峡部形状相似且中心点位置相近,从而避免了繁杂的约束函数计算,大大降低了计算量。
本申请中,将椎弓根切分图向前向后引入临近的切分图,通过神经网络模型确定中心点位置与椎弓根最峡部中心点位置最相近的切分图,作为椎弓根峡部切分图;从而在椎弓根切分图与椎弓根最峡部形状相似且中心点位置相近的基础上,从椎弓根切分图的临近的切分图中确定与椎弓根最峡部最接近的切分图,在保持低计算量的前提下,大幅度提高了确定的中心点(作为置钉的起点)的准确度。
本申请实施例提供了一种脊柱椎体的智能自置钉装置,用于执行本申请上述内容所述的脊柱椎体的智能自置钉方法,以下对所述脊柱椎体的智能自置钉装置进行详细描述。
如图5所示,所述脊柱椎体的智能自置钉装置,包括:
图像获取模块101,其用于获取待置钉的脊柱椎体三维图像;
图像切分模块102,其用于将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
神经网络模块103,其用于根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
参数确定模块104,其用于根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
在一种实施方式中,所述参数确定模块104还用于:
获取医疗过程中基于所述脊柱椎体的置钉参数修正后的置钉参数,并将待置钉的脊柱椎体三维图像和修正后的所述置钉参数作为所述第一置钉样本。
在一种实施方式中,还包括模型训练模块,其用于:
获取第一置钉样本,所述第一置钉样本包括脊柱椎体样本图像和标注的置钉参数;沿冠状位切分所述脊柱椎体样本图像;根据切分后的所述脊柱椎体样本图像和标注的置钉参数,确定多个备选切分图和选取的椎弓根峡部切分图;将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图;根据选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部切分图计算整体损失;根据所述整体损失对所述神经网络模型进行迭代,直至所述整体损失收敛为止。
在一种实施方式中,所述神经网络模型包括第一特征提取层、第二特征提取层、最大池化层和全连接层;所述图像切分模块102还用于:
将多个所述备选切分图输入依次排列的第一特征提取层和第二特征提取层,得到第一特征图;将所述第一特征图输入最大池化层,得到降维后的第二特征图;将所述第二特征图输入所述全连接层,得到特征值;确定与所述特征值对应的备选切分图编号,该备选切分图即为预测的所述椎弓根峡部切分图。
在一种实施方式中,所述置钉参数包括置钉的起点和终点、置钉角度、钉子直径和钉子长度;所述参数确定模块104还用于:
获取预设的置钉角度;基于所述椎弓根峡部切分图确定置钉的起点与钉子直径;根据所述脊柱椎体三维图像及所述置钉角度确定钉子长度和置钉的终点。
在一种实施方式中,所述参数确定模块104还用于:
确定所述椎弓根峡部切分图中的两个连通域;计算每个连通域的最小外接矩形的最短边与对称中心;根据所述最短边的长度与预设的比例,确定钉子直径;将每个最小外接矩形的所述对称中心作为置钉的起点。
在一种实施方式中,所述神经网络模块103还用于:
基于椎弓根形态从多个所述冠状位切分图中选取椎弓根切分图,所述椎弓根切分图为临近椎弓根峡部的冠状位切分图;以所述椎弓根切分图为中心,从所述冠状位切分图中选取预设数量的冠状位切分图作为备选切分图;将所述备选切分图输入所述神经网络模型,得到所述椎弓根峡部切分图。
本申请的上述实施例提供的脊柱椎体的智能自置钉装置与本申请实施例提供的脊柱椎体的智能自置钉方法具有对应关系,因此该装置中的具体内容与脊柱椎体的智能自置钉方法具有对应关系,具体内容可以参照脊柱椎体的智能自置钉方法中的记录,本申请中对此不再赘述。
本申请的上述实施例提供的脊柱椎体的智能自置钉装置与本申请实施例提供的脊柱椎体的智能自置钉方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上描述了脊柱椎体的智能自置钉装置的内部功能和结构,如图6所示,实际中,该脊柱椎体的智能自置钉装置可实现为电子设备,包括:存储器301及处理器303。
存储器301,可被配置为存储程序。
另外,存储器301,还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器303,耦合至存储器301,用于执行存储器301中的程序,以用于:
获取待置钉的脊柱椎体三维图像;
将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
在一种实施方式中,处理器303还用于:
获取医疗过程中基于所述脊柱椎体的置钉参数修正后的置钉参数,并将待置钉的脊柱椎体三维图像和修正后的所述置钉参数作为所述第一置钉样本。
在一种实施方式中,处理器303还用于:
获取第一置钉样本,所述第一置钉样本包括脊柱椎体样本图像和标注的置钉参数;沿冠状位切分所述脊柱椎体样本图像;根据切分后的所述脊柱椎体样本图像和标注的置钉参数,确定多个备选切分图和选取的椎弓根峡部切分图;将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图;根据选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部切分图计算整体损失;根据所述整体损失对所述神经网络模型进行迭代,直至所述整体损失收敛为止。
在一种实施方式中,所述神经网络模型包括第一特征提取层、第二特征提取层、最大池化层和全连接层;所述处理器303还用于:
将多个所述备选切分图输入依次排列的第一特征提取层和第二特征提取层,得到第一特征图;将所述第一特征图输入最大池化层,得到降维后的第二特征图;将所述第二特征图输入所述全连接层,得到特征值;确定与所述特征值对应的备选切分图编号,该备选切分图即为预测的所述椎弓根峡部切分图。
在一种实施方式中,所述置钉参数包括置钉的起点和终点、置钉角度、钉子直径和钉子长度;处理器303还用于:
获取预设的置钉角度;基于所述椎弓根峡部切分图确定置钉的起点与钉子直径;根据所述脊柱椎体三维图像及所述置钉角度确定钉子长度和置钉的终点。
在一种实施方式中,所述处理器303还用于:
确定所述椎弓根峡部切分图中的两个连通域;计算每个连通域的最小外接矩形的最短边与对称中心;根据所述最短边的长度与预设的比例,确定钉子直径;将每个最小外接矩形的所述对称中心作为置钉的起点。
在一种实施方式中,所述处理器303还用于:
基于椎弓根形态从多个所述冠状位切分图中选取椎弓根切分图,所述椎弓根切分图为临近椎弓根峡部的冠状位切分图;以所述椎弓根切分图为中心,从所述冠状位切分图中选取预设数量的冠状位切分图作为备选切分图;将所述备选切分图输入所述神经网络模型,得到所述椎弓根峡部切分图。
本申请中,处理器还具体用于执行上述脊柱椎体的智能自置钉方法的所有流程及步骤,具体内容可参照脊柱椎体的智能自置钉方法中的记录,本申请中对此不再赘述。
本申请中,图6中仅示意性给出部分组件,并不意味着电子设备只包括图6所示组件。
本实施例提供的电子设备,与本申请实施例提供的脊柱椎体的智能自置钉方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(Flash RAM)。内存是计算机可读介质的示例。
本申请还提供一种与前述实施方式所提供的脊柱椎体的智能自置钉方法对应的计算机可读存储介质,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的脊柱椎体的智能自置钉方法。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(Transitory Media),如调制的数据信号和载波。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的脊柱椎体的智能自置钉方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的结构和技术,以便不模糊对本说明书的理解。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种脊柱椎体的智能自置钉方法,其特征在于,包括:
获取待置钉的脊柱椎体三维图像;
将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
2.根据权利要求1所述的智能自置钉方法,其特征在于,所述根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数之后,还包括:
获取医疗过程中基于所述脊柱椎体的置钉参数修正后的置钉参数,并将待置钉的脊柱椎体三维图像和修正后的所述置钉参数作为所述第一置钉样本。
3.根据权利要求1所述的智能自置钉方法,其特征在于,所述获取待置钉的脊柱椎体三维图像之前,还包括:
获取第一置钉样本,所述第一置钉样本包括脊柱椎体样本图像和标注的置钉参数;
沿冠状位切分所述脊柱椎体样本图像;
根据切分后的所述脊柱椎体样本图像和标注的置钉参数,确定多个备选切分图和选取的椎弓根峡部切分图;
将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图;
根据选取的所述椎弓根峡部切分图和预测的所述椎弓根峡部切分图计算整体损失;
根据所述整体损失对所述神经网络模型进行迭代,直至所述整体损失收敛为止。
4.根据权利要求1所述的智能自置钉方法,其特征在于,所述神经网络模型包括第一特征提取层、第二特征提取层、最大池化层和全连接层;所述将所述备选切分图输入神经网络模型,得到预测的椎弓根峡部切分图,包括:
将多个所述备选切分图输入依次排列的第一特征提取层和第二特征提取层,得到第一特征图;
将所述第一特征图输入最大池化层,得到降维后的第二特征图;
将所述第二特征图输入所述全连接层,得到特征值;
确定与所述特征值对应的备选切分图编号,该备选切分图即为预测的所述椎弓根峡部切分图。
5.根据权利要求1-4中任一项所述的智能自置钉方法,其特征在于,所述置钉参数包括置钉的起点和终点、置钉角度、钉子直径和钉子长度;所述根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数,包括:
获取预设的置钉角度;
基于所述椎弓根峡部切分图确定置钉的起点与钉子直径;
根据所述脊柱椎体三维图像及所述置钉角度确定钉子长度和置钉的终点。
6.根据权利要求5所述的智能自置钉方法,其特征在于,所述基于所述椎弓根峡部切分图确定置钉的起点与钉子直径,包括:
确定所述椎弓根峡部切分图中的两个连通域;
计算每个连通域的最小外接矩形的最短边与对称中心;
根据所述最短边的长度与预设的比例,确定钉子直径;
将每个最小外接矩形的所述对称中心作为置钉的起点。
7.根据权利要求1-4中任一项所述的智能自置钉方法,其特征在于,所述根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图,包括:
基于椎弓根形态从多个所述冠状位切分图中选取椎弓根切分图,所述椎弓根切分图为临近椎弓根峡部的冠状位切分图;
以所述椎弓根切分图为中心,从所述冠状位切分图中选取预设数量的冠状位切分图作为备选切分图;
将所述备选切分图输入所述神经网络模型,得到所述椎弓根峡部切分图。
8.一种脊柱椎体的智能自置钉装置,其特征在于,包括:
图像获取模块,其用于获取待置钉的脊柱椎体三维图像;
图像切分模块,其用于将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
神经网络模块,其用于根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
参数确定模块,其用于根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
9.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,其用于存储程序;
所述处理器,耦合至所述存储器,用于执行所述程序,以用于:
获取待置钉的脊柱椎体三维图像;
将所述脊柱椎体三维图像沿冠状位进行逐层切分,得到依次排列的多个冠状位切分图;
根据预训练的神经网络模型确定多个所述冠状位切分图中的椎弓根峡部切分图;
根据所述脊柱椎体三维图像、所述椎弓根峡部切分图确定该脊柱椎体的置钉参数;
其中,所述神经网络模型是基于第一置钉样本进行训练后得到的,所述第一置钉样本具有标注的置钉参数。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现权利要求1-7任一项所述的脊柱椎体的智能自置钉方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744345.7A CN116889467B (zh) | 2023-06-21 | 2023-06-21 | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744345.7A CN116889467B (zh) | 2023-06-21 | 2023-06-21 | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116889467A true CN116889467A (zh) | 2023-10-17 |
CN116889467B CN116889467B (zh) | 2024-04-02 |
Family
ID=88314218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744345.7A Active CN116889467B (zh) | 2023-06-21 | 2023-06-21 | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116889467B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101374470A (zh) * | 2006-01-24 | 2009-02-25 | 纽卡迪亚6有限责任公司 | 为在脊柱外科手术中放置椎弓根螺钉或器械而确定椎弓根底周、椎弓根峡部和椎弓根峡部中心的方法 |
CN113781496A (zh) * | 2021-08-06 | 2021-12-10 | 北京天智航医疗科技股份有限公司 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
CN114929149A (zh) * | 2020-02-07 | 2022-08-19 | 史密夫和内修有限公司 | 增强现实准备的光学跟踪系统 |
US20220409279A1 (en) * | 2021-06-23 | 2022-12-29 | Medicrea International SA | Systems and methods for planning a patient-specific spinal correction |
CN115689971A (zh) * | 2021-07-28 | 2023-02-03 | 杭州三坛医疗科技有限公司 | 基于深度学习的椎弓根植钉通道规划方法及装置 |
-
2023
- 2023-06-21 CN CN202310744345.7A patent/CN116889467B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101374470A (zh) * | 2006-01-24 | 2009-02-25 | 纽卡迪亚6有限责任公司 | 为在脊柱外科手术中放置椎弓根螺钉或器械而确定椎弓根底周、椎弓根峡部和椎弓根峡部中心的方法 |
CN114929149A (zh) * | 2020-02-07 | 2022-08-19 | 史密夫和内修有限公司 | 增强现实准备的光学跟踪系统 |
US20220409279A1 (en) * | 2021-06-23 | 2022-12-29 | Medicrea International SA | Systems and methods for planning a patient-specific spinal correction |
CN115689971A (zh) * | 2021-07-28 | 2023-02-03 | 杭州三坛医疗科技有限公司 | 基于深度学习的椎弓根植钉通道规划方法及装置 |
CN113781496A (zh) * | 2021-08-06 | 2021-12-10 | 北京天智航医疗科技股份有限公司 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116889467B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8334878B2 (en) | Medical image processing apparatus and medical image processing program | |
US10285657B2 (en) | Medical image display processing method, medical image display processing device, and program | |
Duong et al. | Three-dimensional classification of spinal deformities using fuzzy clustering | |
US9460500B2 (en) | Image processing apparatus and image processing method | |
US7340082B2 (en) | Method and medical imaging apparatus for determining a slice in an examination volume for data acquisition in the slice | |
CN108038860A (zh) | 基于3d全卷积神经网络的脊柱分割方法 | |
DE102005026220A1 (de) | Verfahren zur Aufnahme, Analyse und Darstellung eines medizinischen Bilddatensatzes | |
JP6397846B2 (ja) | 高度な構造生成および編集のためのメカニズム | |
TW201219013A (en) | Method for generating bone mask | |
JPWO2019135412A1 (ja) | 診断支援プログラム | |
CN112508902B (zh) | 白质高信号分级方法、电子设备及存储介质 | |
CN113781382A (zh) | 脊椎压迫性骨折检测方法与系统 | |
Lafon et al. | Combination of a model-deformation method and a positional MRI to quantify the effects of posture on the anatomical structures of the trunk | |
CN114266729A (zh) | 一种基于机器学习的胸部肿瘤放疗后放射性肺炎预测方法和系统 | |
JP6738305B2 (ja) | 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム | |
Girod et al. | Asymmetric pedicle subtractionosteotomy (aPSO) guided by a 3D-printed model to correct a combined fixed sagittal and coronal imbalance | |
US9672625B2 (en) | Method and apparatus to automatically implement a selection procedure on image data to generate a selected image data set | |
JP3234668U (ja) | X線による脊柱側弯症の画像認識システム | |
JP6853369B2 (ja) | 医用画像処理装置、方法およびプログラム | |
CN110916695A (zh) | 确定脊柱扫描视野的方法、装置及图像处理设备 | |
CN116889467B (zh) | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 | |
KR20170023244A (ko) | 3d 프린팅을 위한 척추뼈 모델링 장치 및 방법 | |
Kaewlek et al. | Metal artifact reduction and image quality evaluation of lumbar spine CT images using metal sinogram segmentation | |
CN113781496B (zh) | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 | |
Boisvert et al. | Interactive 3D reconstruction of the spine from radiographs using a statistical shape model and second-order cone programming |
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 |