CN117351215B - 一种人工肩关节假体设计系统及方法 - Google Patents

一种人工肩关节假体设计系统及方法 Download PDF

Info

Publication number
CN117351215B
CN117351215B CN202311663912.2A CN202311663912A CN117351215B CN 117351215 B CN117351215 B CN 117351215B CN 202311663912 A CN202311663912 A CN 202311663912A CN 117351215 B CN117351215 B CN 117351215B
Authority
CN
China
Prior art keywords
dimensional
segmentation
shoulder joint
label
module
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
CN202311663912.2A
Other languages
English (en)
Other versions
CN117351215A (zh
Inventor
谢睿
王成光
杨根科
褚健
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.)
Ningbo Institute Of Artificial Intelligence Shanghai Jiaotong University
Original Assignee
Ningbo Institute Of Artificial Intelligence Shanghai Jiaotong University
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 Ningbo Institute Of Artificial Intelligence Shanghai Jiaotong University filed Critical Ningbo Institute Of Artificial Intelligence Shanghai Jiaotong University
Priority to CN202311663912.2A priority Critical patent/CN117351215B/zh
Publication of CN117351215A publication Critical patent/CN117351215A/zh
Application granted granted Critical
Publication of CN117351215B publication Critical patent/CN117351215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/30—Joints
    • A61F2/3094—Designing or manufacturing processes
    • A61F2/30942—Designing or manufacturing processes for designing or making customized prostheses, e.g. using templates, CT or NMR scans, finite-element analysis or CAD-CAM techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/30—Joints
    • A61F2/40—Joints for shoulders
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/30—Joints
    • A61F2/3094—Designing or manufacturing processes
    • A61F2/30942—Designing or manufacturing processes for designing or making customized prostheses, e.g. using templates, CT or NMR scans, finite-element analysis or CAD-CAM techniques
    • A61F2002/30948—Designing or manufacturing processes for designing or making customized prostheses, e.g. using templates, CT or NMR scans, finite-element analysis or CAD-CAM techniques using computerized tomography, i.e. CT scans
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30052—Implant; Prosthesis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Vascular Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Transplantation (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Quality & Reliability (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Graphics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

本发明公开了一种人工肩关节假体设计系统，涉及医学三维分割与建模技术领域，包括影像增强模块、二维分割模块、三维分割模块和排除假阳性模块，影像增强模块与二维分割模块、三维分割模块分别通信连接，三维分割模块与排除假阳性模块通信连接。本发明还公开了一种人工肩关节假体设计方法，包括S100、数据转换，S200、图像去噪，S300、区域增强，S400、数据拼合，S500、二维分割，S600、三维分割，S700、效果优化，S800、制作假阳性三维标签，S900、设计肩关节假体样本。本发明解决了现有的人工肩关节假体不够贴合周围软组织的问题，采用对于肩关节周围三块骨骼和四块肌肉的精细三维建模的方法，构建更为精准适合患者的假体模型，辅助人工肩关节手术。

Description

一种人工肩关节假体设计系统及方法
技术领域
本发明涉及医学三维分割与建模技术领域，尤其涉及一种人工肩关节假体设计系统及方法。
背景技术
肩关节由肱骨头和关节盂组成，是人体所有关节中活动量最大，最为精细的一个关节，这也使其成为最容易出现问题的关节。特别是当遇到难以修补的巨大肩袖撕裂、肱骨头粉碎性骨折、肱骨头坏死等问题时，肩关节置换手术可以作为患者们的最后选择。关节置换手术作为治疗类风湿性关节炎等骨关节疾病的重要方法，可以有效解决关节的疼痛、骨位畸形、活动角度受限等问题。目前，广为流传的是反式肩关节置换手术，与传统的肩关节置换手术只是将肱骨头换掉，保留关节盂不同，反式肩关节置换，将肱骨头安装在关节盂的位置，将关节盂安装在肱骨头的近端。这样做的好处是可以使患者肩部的活动范围更大，关节也更稳定，这对患者术后的回归正常生活来说也更为有利。
然而，其人工关节置换手术方法依旧依赖于术者的手术工具、手术经验以及与患者的沟通效果，容易出现关节假体安放不准确等问题。以及人工肩关节毕竟采用的是人造材料，与人体自身的软骨组织材料不同，两者长久在一起摩擦后有可能产生疼痛，或是出现一些关节不稳定、假体移位、磨损、功能受限之类的情况。
因此，本领域的技术人员致力于开发一种人工肩关节假体设计系统及方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何减少临床医学影像中的噪声干扰，获得精确度更高的器官组织分割效果指导改善人工肩关节假体，辅助人工肩关节置换手术。
发明人经研究发现，精准三维建模辅助肩关节假体手术相比传统手术方式，三维建模辅助可以实现更精确的假体植入位置与角度判断，对关节周围软组织保护更好。为了改善患者术后生活体验同时延长人工关节使用寿命，医学工作者根据患者的CT/MRI图像进行分析，基于深度学习的方法规避影像分析人员的认识主观性与局限性，能够加快分析速度，提高分析准确性。然后对肩关节附近的骨骼和肌肉进行三维建模，个体化定制患者专属人工肩关节，使其最大程度贴合周围器官，减少磨损造成的患者疼痛。同时分析关节各处受到来自骨骼和肌肉的生物应力，适当对受力较大的关节处进行材料强度增加，以增加人工关节的使用寿命。
但是，对于临床医学影像中普遍存在噪声，如CT低剂量灌注噪声，会导致其软组织分辨能力较差、MR莱斯噪声以及普遍存在的高斯噪声会干扰数据信息准确度；另外噪声会干扰到各种组织的拓扑结构以及边缘检测，使得深度神经网络模型提取出错误的特征；而人工标注的数据量少也会影响模型的训练，不利于参数收敛，从而降低模型的分割准确性与鲁棒性。肩关节骨骼和肌肉的三维重建需要高质量的薄层切片图像，经过广泛的肌肉骨骼分辨训练的专家对每个患者肩关节进行超过5-6个小时的手工标注任务。由于这些原因，经过标注的肩关节骨骼和肌肉分割的数据十分不易得。
发明人利用图像处理技术对医学图像进行噪点去除和边缘优化，用基于深度学习的三维分割方法对围绕肩关节的三块骨骼（肩胛骨、肱骨、锁骨）以及四块肌肉（肩胛上肌、三角肌、冈上肌、冈下肌）进行三维分割，对患者医学CT/MRI数据中该七个器官的三维建模，更好地实现该患者的人工肩关节定制。同时为了解决由于医学数据不易得且质量参差不齐，其标注更加需要专业医生耗费大量时间进行处理，造成训练数据稀少的问题。发明人使用二维数据结合三维数据进行深度学习的方法，同时从三维数据进行训练，并从二维信息中提取特征对模型进行补充，可以获得精确度更高的器官组织分割效果，并利用更准确的器官组织分割结果进行三维建模，指导改善人工肩关节假体，从而辅助肩关节假体手术。
本发明的一个实施例中，提供了一种人工肩关节假体设计系统，包括：
影像增强模块，对原始肩关节三维CT/MRI影像数据进行优化处理，得到增强后的肩关节三维CT/MRI数据；
二维分割模块，对三个视角的肩关节二维CT/MRI影像数据进行器官组织分割和融合，得到初步的三维分割效果；
三维分割模块，利用三维分割网络，对增强后的肩关节三维CT/MRI影像数据进行分割和建模，生成立体的模拟三维效果，结合初步的三维分割效果，得到精准的三维分割效果；
排除假阳性模块，去除不相关的假阳性，提升分割性能；
影像增强模块与二维分割模块、三维分割模块分别通信连接，三维分割模块与排除假阳性模块通信连接。
可选地，在上述实施例中的人工肩关节假体设计系统中，影像增强模块包括：
三维数据分解子模块，把原始肩关节三维CT/MRI影像数据沿横截面拍摄顺序分解为肩关节二维CT/MRI影像数据；
噪点特征提取子模块，提取肩关节二维CT/MRI影像数据中不同类型与尺度的噪点特征，得到噪点特征图；
图像去噪子模块，将不同类型的噪点特征进行融合，由肩关节二维CT/MRI影像数据与噪点特征图逐像素相减得到混合图像，通过自适应卷积滤波对混合图像进行降采样滤波，得到去噪后的二维图像；
区域增强子模块，通过导向滤波对去噪后的二维图像进行边缘增强和区域平滑，得到增强后的二维图像；
二维数据合成子模块，把增强后的二维图像沿横截面拍摄顺序重新拼叠，得到增强后的肩关节三维CT/MRI影像数据。
可选地，在上述任一实施例中的人工肩关节假体设计系统中，二维分割模块包括：
三视角切片子模块，沿横截面、正视面和侧视面三个视角对增强后的肩关节三维CT/MRI影像数据进行切片，把增强后的肩关节三维CT/MRI影像数据转为三视角的肩关节二维CT/MRI影像数据；
二维医学分割子模块，包括三个二维分割网络，利用二维分割网络分别对三视角的肩关节二维CT/MRI影像数据进行器官组织分割。
进一步地，在上述实施例中的人工肩关节假体设计系统中，二维医学分割子模块采用基于Transformer的U型编码器-解码器网络。
进一步地，在上述实施例中的人工肩关节假体设计系统中，二维医学分割子模块分割的二维标签包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签，二维分割生成的结果为三视角的二维面罩区域，即分割出的区域，并对三个视角的二维分割效果进行融合，得到初步的三维分割效果。
可选地，在上述任一实施例中的人工肩关节假体设计系统中，二维分割模块扩充训练数据量，将肩关节二维CT/MRI影像数据引入分割网络，减小三维医学数据不足带来的不利影响。
可选地，在上述任一实施例中的人工肩关节假体设计系统中，三维分割网络采用基于Transformer的U型编码器-解码器网络。
进一步地，在上述实施例中的人工肩关节假体设计系统中，三维分割网络使用Swin-UnetR。
进一步地，在上述实施例中的人工肩关节假体设计系统中，三维分割网络把增强后的肩关节三维CT/MRI影像数据分割，然后对分割效果进行建模，得到对应的三维标签，生成对分割后的三维标签所标注区域的模拟三维效果。
进一步地，在上述实施例中的人工肩关节假体设计系统中，三维标签包括肩胛骨三维标签、肱骨三维标签、锁骨三维标签、肩胛上肌三维标签、三角肌三维标签、冈上肌三维标签和冈下肌三维标签。
进一步地，在上述实施例中的人工肩关节假体设计系统中，三维分割模块引入初步的三维分割效果作为引导补充，选择权重进行更新，弥补小样本带来的训练波动大以及过拟合问题，进一步优化分割精度，输出精准的三维分割效果。
可选地，在上述任一实施例中的人工肩关节假体设计系统中，排除假阳性模块将错误分割的肩袖肌腱区域标注为假阳性三维标签，与分割后的三维标签加在一起重新训练，并在最终结果中排除假阳性三维标签。
发明人基于上述人工肩关节假体设计系统，使用使用深度学习的方法，面向人工肩关节置换手术，针对术前肩关节周围组织进行分割与三维建模，提出了一整套优化肩关节假体与患者软组织契合程度，辅助人工肩关节置换手术的方法。首先针对临床医学影像噪声大，人工标注数据少的问题，进行数据增强；再通过深度神经网络提取各类组织特征，将二维的骨性组织分割结果和软组织分割结果作为先验信息，引导三维的肩关节各骨骼与肌肉分割；再通过构建假阳性三维标签重新训练，排除错误分割的软组织，实现骨性组织与复杂软组织的精准高效分割；最后基于肩关节周三种骨骼和四种肌肉的分割模型，建模生成三维模型。
基于上述任一实施例，本发明的另一个实施例中，提供了一种人工肩关节假体设计方法，包括如下步骤：
S100、数据转换，把原始肩关节三维CT/MRI影像数据转为肩关节二维CT/MRI影像数据；
S200、图像去噪，提取图像中不同类型与尺度的噪点特征，通过自适应卷积滤波进行降采样滤波，得到去噪后的二维图像；
S300、区域增强，去噪二维图像进行边缘增强和区域平滑，得到增强后的二维图像；
S400、数据拼合，将增强后的二维图像按序列合成增强后的肩关节三维CT/MRI影像数据；
S500、二维分割，将增强后的肩关节二维CT/MRI影像数据，进行器官组织分割，得到相应的二维标签，将二维标签按序列合成三维标签并对三维标签进行三维建模，得到初步的三维分割效果；
S600、三维分割，将增强后的肩关节三维CT/MRI影像数据进行器官组织分割，得到相应的三维标签，对分割效果进行建模，生成立体的模拟三维效果；
S700、效果优化，利用二维分割参数引导补充三维分割，得到精准的三维分割效果；
S800、制作假阳性三维标签，将精准的三维分割效果进行三维建模，并将生成的预测模型与标注的三维标签进行对比，把错误分割的软组织标注为假阳性三维标签；
S900、设计肩关节假体样本，排除软组织错误分割区域并建模，去除不相关的假阳性，提升分割性能，设计肩关节假体样本。
可选地，在上述实施例中的人工肩关节假体设计方法中，步骤S100包括：
S110、二维图像转换，针对原始肩关节三维CT/MRI影像数据，沿横截面、正视面和侧视面进行切片，分别得到横截面、正视面和侧视面的二维图像；
S120、格式转换，将每张二维图像转化成利于二维图像处理的格式。
进一步地，在上述实施例中的人工肩关节假体设计方法中，原始肩关节二维CT/MRI影像数据的格式为nii.gz。
进一步地，在上述实施例中的人工肩关节假体设计方法中，二维图像的格式为DICOM。
进一步地，在上述实施例中的人工肩关节假体设计方法中，利于二维图像处理的格式为PNG。
可选地，在上述任一实施例中的人工肩关节假体设计方法中，步骤S200包括：
S210、提取噪点特征，学习提取三组三视角二维图像中不同类型与尺度的噪点特征，得到噪点特征图；
S220、图像去噪，将不同类型与尺度的噪点特征进行融合，由原始肩关节二维CT/MRI影像数据与噪点特征图逐像素相减得到混合图像，通过自适应卷积滤波对混合图像进行降采样滤波，得到去噪后的二维图像。
可选地，在上述任一实施例中的基人工肩关节置换方法中，步骤S500包括：
S510、二维图像分割，使用二维分割网络对横截面、正视面和侧视面的二维图像进行器官组织分割，得到对应的二维标签，包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签，分别生成三个视角的二维面罩区域，即分割出的区域，并对三个视角的二维分割效果进行融合，得到初步的三维分割效果，三个视角即横截面、正视面和侧视面；
S520、三维建模，保留融合后的二维分割网络的训练权重以及误差参数，将分割得到的二维标签按序列合成三维标签，对三维标签进行三维建模，得到初步的三维分割效果。
进一步地，在上述实施例中的人工肩关节假体设计方法中，二维分割网络采用基于Transformer的U型编码器-解码器网络。
可选地，在上述任一实施例中的人工肩关节置换方法中，步骤S600包括：
S610、三维分割，使用三维分割网络对增强后的肩关节三维CT/MRI影像数据进行器官组织分割，得到相应的三维标签；
S620、分割效果建模，保留三维分割网络的训练权重以及误差参数，对分割效果进行建模，生成对分割后的三维标签所标注区域的模拟三维效果。
进一步地，在上述实施例中的人工肩关节假体设计方法中，三维标签包括肩胛骨三维标签、肱骨三维标签、锁骨三维标签、肩胛上肌三维标签、三角肌三维标签、冈上肌三维标签和冈下肌三维标签。
进一步地，在上述实施例中的人工肩关节假体设计方法中，三维分割网络采用基于Transformer的U型编码器-解码器网络。
进一步地，在上述实施例中的人工肩关节假体设计方法中，三维分割网络为Swin-UnetR。
可选地，在上述任一实施例中的人工肩关节置换方法中，步骤S700包括：
S710、权重引入，提取二维分割模块的分割结果生成的训练权重，引入三维分割作为引导补充，判断二维分割模块的分割结果生成的训练权重是否可以降低损失；
S720、权重确定，如果二维分割模块的分割结果生成的训练权重可以降低损失，则更新训练权重，否则，直接采用三维分割网络的训练权重。
进一步地，在上述实施例中的人工肩关节假体设计方法中，使用分割性能指标判断分割效果。
进一步地，在上述实施例中的人工肩关节假体设计方法中，分割性能指标包括戴斯相似系数（DSC）和95%的豪斯多夫距离（95%HD），戴斯相似系数（DSC）比较分割结果与真实分割的重叠程度来衡量分割结果的准确性，取值范围为[0,1]，值约接近1说明分割越接近真实情况；95%的豪斯多夫距离，去除5%误差过大的离群点后比较分割结果的像素点与真实分割的像素点之间的距离，衡量算法的可靠性，取值范围为0到正无穷，值越小分割越接近真实。
可选地，在上述任一实施例中的人工肩关节置换方法中，步骤S800包括：
S810、标注假阳性三维标签，将精准的三维分割效果进行三维建模，并将生成的预测模型与标注的三维标签进行对比，将错误分割的软组织标注为假阳性三维标签。
S820、制作数据集，将假阳性三维标签加入原始三维标签，使训练类别增加一类，重新作新的数据集。
S830、二次训练，使用新的数据集进行二维分割和三维分割训练，生成新的数据集三维标签。
进一步地，在上述实施例中的人工肩关节假体设计方法中，新的数据集三维标签包括肩胛骨三维标签、肱骨三维标签、锁骨三维标签、肩胛上肌三维标签、三角肌三维标签、冈上肌三维标签、冈下肌三维标签和假阳性三维标签。
进一步地，在上述实施例中的人工肩关节假体设计方法中，步骤S830包括：
S831、数据转换，针对新的数据集中增强后的肩关节三维CT/MRI影像数据和新的数据集三维标签，沿横截面、正视面和侧视面进行切片，分别得到新的数据集的三视角的肩关节二维CT/MRI影像数据；
S832、二维分割，将新的数据集的三视角的肩关节二维CT/MRI影像数据，进行器官组织分割，生成对应的二维标签，包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签和假阳性二维标签，对二维标签进行三维建模，得到初步的三维分割效果；
S833、三维分割，对新的数据集中增强后的肩关节三维CT/MRI影像数据进行器官组织分割，生成对应的三维标签，对分割效果进行建模，生成新的数据集的模拟三维效果；
S834、效果优化，利用二维分割参数引导补充三维分割，得到新的数据集的精准的三维分割效果。
可选地，在上述任一实施例中的人工肩关节置换方法中，步骤S900包括：
S910、去除假阳性，在训练结果中排除添加的假阳性三维标签，去除不相关的假阳性对分割效果产生的影响，提升分割性能，得到最终分割结果；
S920、三维建模，采用最终分割结果进行三维建模，得到人工肩关节假体设计的参照样本；
S930、增关节强韧性，增强人工肩关节假体强度，增强肌肉发力区域的韧性。
本发明提出二维分割和三维分割融合的思想，利用大量的三视角切片的二维数据扩充标注数据量，解决人工标注的样本太少导致模型训练参数收敛困难，误差波动大的问题从而提升模型的分割准确性与鲁棒性；本发明引入假阳性排除模块，作为对于软组织三维分割的进一步优化手段，将错误分割的软组织标注为假阳性三维标签，通过引入该三维标签重新训练并在结果中排除该二次标注期间添加的假阳性三维标签，有效地去除了不相关的假阳性提升了分割性能，解决了由于软组织密度差异不大导致分割边缘难以确认，容易产生部分组织误识别的问题；本发明解决了现有的人工肩关节假体不够贴合周围软组织的问题，采用对于肩关节周围三块骨骼和四块肌肉的精细三维建模的方法，构建更为精准适合患者的假体模型，辅助人工肩关节手术。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是图示根据示例性实施例的人工肩关节假体设计系统的结构示意图；
图2是图示根据示例性实施例的人工肩关节置换方法的流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方示意性地适当夸大了部件的厚度。
发明人设计了一种人工肩关节假体设计系统，如图1所示，包括：
影像增强模块，对原始肩关节三维CT/MRI影像数据进行优化处理，得到增强后的肩关节三维CT/MRI数据；影像增强模块包括：
三维数据分解子模块，把原始肩关节三维CT/MRI影像数据沿横截面拍摄顺序分解为肩关节二维CT/MRI影像数据；
噪点特征提取子模块，提取肩关节二维CT/MRI影像数据中不同类型与尺度的噪点特征，得到噪点特征图；
图像去噪子模块，将不同类型的噪点特征进行融合，由肩关节二维CT/MRI影像数据与噪点特征图逐像素相减得到混合图像，通过自适应卷积滤波对混合图像进行降采样滤波，得到去噪后的二维图像；
区域增强子模块，通过导向滤波对去噪后的二维图像进行边缘增强和区域平滑，得到增强后的二维图像；
二维数据合成子模块，把增强后的二维图像沿横截面拍摄顺序重新拼叠，得到增强后的肩关节三维CT/MRI影像数据。
二维分割模块，对三个视角的肩关节二维CT/MRI影像数据进行器官组织分割和融合，得到初步的三维分割效果；二维分割模块扩充训练数据量，将肩关节二维CT/MRI影像数据引入分割网络，减小三维医学数据不足带来的不利影响，二维分割模块包括：
三视角切片子模块，沿横截面、正视面和侧视面三个视角对增强后的肩关节三维CT/MRI影像数据进行切片，把增强后的肩关节三维CT/MRI影像数据转为三视角的肩关节二维CT/MRI影像数据；
二维医学分割子模块，采用基于Transformer的U型编码器-解码器网络，包括三个二维分割网络，利用二维分割网络分别对三视角的肩关节二维CT/MRI影像数据进行器官组织分割，分割的二维标签包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签，二维分割生成的结果为三视角的二维面罩区域，即分割出的区域，并对三个视角的二维分割效果进行融合，得到初步的三维分割效果。
三维分割模块，利用三维分割网络，对增强后的肩关节三维CT/MRI影像数据进行分割和建模，生成立体的模拟三维效果，结合初步的三维分割效果，得到精准的三维分割效果，三维分割网络使用Swin-UnetR；三维分割网络把增强后的肩关节三维CT/MRI影像数据分割，然后对分割效果进行建模，得到对应的三维标签，生成对分割后的三维标签所标注区域的模拟三维效果，三维标签包括肩胛骨三维标签、肱骨三维标签、锁骨三维标签、肩胛上肌三维标签、三角肌三维标签、冈上肌三维标签和冈下肌三维标签；引入初步的三维分割效果作为引导补充，选择权重进行更新，弥补小样本带来的训练波动大以及过拟合问题，进一步优化分割精度，输出精准的三维分割效果。
排除假阳性模块，去除不相关的假阳性，提升分割性能，将错误分割的肩袖肌腱区域标注为假阳性三维标签，与分割后的三维标签加在一起重新训练，并在最终结果中排除假阳性三维标签。
影像增强模块与二维分割模块、三维分割模块分别通信连接，三维分割模块与排除假阳性模块通信连接。
基于上述实施例，发明人提供了一种人工肩关节假体设计方法，如图2所示，包括如下步骤：
S100、数据转换，把原始肩关节三维CT/MRI影像数据转为肩关节二维CT/MRI影像数据；包括：
S110、二维图像转换，针对原始肩关节三维CT/MRI影像数据，沿横截面、正视面和侧视面进行切片，分别得到横截面、正视面和侧视面的二维图像，原始肩关节二维CT/MRI影像数据的格式为nii.gz；
S120、格式转换，将每张二维图像转化成利于二维图像处理的格式，格式为PNG。
S200、图像去噪，提取图像中不同类型与尺度的噪点特征，通过自适应卷积滤波进行降采样滤波，得到去噪后的二维图像；包括：
S210、提取噪点特征，学习提取三组三视角二维图像中不同类型与尺度的噪点特征，得到噪点特征图；
S220、图像去噪，将不同类型与尺度的噪点特征进行融合，由原始肩关节二维CT/MRI影像数据与噪点特征图逐像素相减得到混合图像，通过自适应卷积滤波对混合图像进行降采样滤波，得到去噪后的二维图像。
S300、区域增强，去噪二维图像进行边缘增强和区域平滑，得到增强后的二维图像；
S400、数据拼合，将增强后的二维图像按序列合成增强后的肩关节三维CT/MRI影像数据；
S500、二维分割，将增强后的肩关节二维CT/MRI影像数据，进行器官组织分割，得到相应的二维标签，将二维标签按序列合成三维标签并对三维标签进行三维建模，得到初步的三维分割效果；包括：
S510、二维图像分割，使用二维分割网络对横截面、正视面和侧视面的二维图像进行器官组织分割，得到对应的二维标签，包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签，分别生成三个视角的二维面罩区域，即分割出的区域，并对三个视角的二维分割效果进行融合，得到初步的三维分割效果，三个视角即横截面、正视面和侧视面；二维分割网络采用基于Transformer的U型编码器-解码器网络；
S520、三维建模，保留融合后的二维分割网络的训练权重以及误差参数，将分割得到的二维标签按序列合成三维标签，对三维标签进行三维建模，得到初步的三维分割效果。
S600、三维分割，将增强后的肩关节三维CT/MRI影像数据进行器官组织分割，得到相应的三维标签，对分割效果进行建模，生成立体的模拟三维效果；包括：
S610、三维分割，使用三维分割网络对增强后的肩关节三维CT/MRI影像数据进行器官组织分割，得到相应的三维标签，三维标签包括肩胛骨三维标签、肱骨三维标签、锁骨三维标签、肩胛上肌三维标签、三角肌三维标签、冈上肌三维标签和冈下肌三维标签；三维分割网络采用基于Transformer的U型编码器-解码器网络，选择Swin-UnetR；
S620、分割效果建模，保留三维分割网络的训练权重以及误差参数，对分割效果进行建模，生成对分割后的三维标签所标注区域的模拟三维效果。
S700、效果优化，利用二维分割参数引导补充三维分割，得到精准的三维分割效果；包括：
S710、权重引入，提取二维分割模块的分割结果生成的训练权重，引入三维分割作为引导补充，判断二维分割模块的分割结果生成的训练权重是否可以降低损失，使用分割性能指标判断分割效果，分割性能指标包括戴斯相似系数（DSC）和95%的豪斯多夫距离（95%HD），戴斯相似系数（DSC）比较分割结果与真实分割的重叠程度来衡量分割结果的准确性，取值范围为[0,1]，值约接近1说明分割越接近真实情况；95%的豪斯多夫距离，去除5%误差过大的离群点后比较分割结果的像素点与真实分割的像素点之间的距离，衡量算法的可靠性，取值范围为0到正无穷，值越小分割越接近真实；
S720、权重确定，如果二维分割模块的分割结果生成的训练权重可以降低损失，则更新训练权重，否则，直接采用三维分割网络的训练权重。
S800、制作假阳性三维标签，将精准的三维分割效果进行三维建模，并将生成的预测模型与标注的三维标签进行对比，把错误分割的软组织标注为假阳性三维标签；包括：
S810、标注假阳性三维标签，将精准的三维分割效果进行三维建模，并将生成的预测模型与标注的三维标签进行对比，将错误分割的软组织标注为假阳性三维标签。
S820、制作数据集，将假阳性三维标签加入原始三维标签，使训练类别增加一类，重新作新的数据集。
S830、二次训练，使用新的数据集进行二维分割和三维分割训练，生成新的数据集三维标签，新的数据集三维标签包括肩胛骨三维标签、肱骨三维标签、锁骨三维标签、肩胛上肌三维标签、三角肌三维标签、冈上肌三维标签、冈下肌三维标签和假阳性三维标签；包括：
S831、数据转换，针对新的数据集中增强后的肩关节三维CT/MRI影像数据和新的数据集三维标签，沿横截面、正视面和侧视面进行切片，分别得到新的数据集的三视角的肩关节二维CT/MRI影像数据；
S832、二维分割，将新的数据集的三视角的肩关节二维CT/MRI影像数据，进行器官组织分割，生成对应的二维标签，包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签和假阳性二维标签，对二维标签进行三维建模，得到初步的三维分割效果；
S833、三维分割，对新的数据集中增强后的肩关节三维CT/MRI影像数据进行器官组织分割，生成对应的三维标签，对分割效果进行建模，生成新的数据集的模拟三维效果；
S834、效果优化，利用二维分割参数引导补充三维分割，得到新的数据集的精准的三维分割效果。
S900、设计肩关节假体样本，排除软组织错误分割区域并建模，去除不相关的假阳性，提升分割性能，设计肩关节假体样本；包括：
S910、去除假阳性，在训练结果中排除添加的假阳性三维标签，去除不相关的假阳性对分割效果产生的影响，提升分割性能，得到最终分割结果；
S920、三维建模，采用最终分割结果进行三维建模，得到人工肩关节假体设计的参照样本；
S930、增关节强韧性，增强人工肩关节假体强度，增强肌肉发力区域的韧性。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种人工肩关节假体设计方法，其特征在于，包括如下步骤：
S100、数据转换，把原始肩关节三维CT/MRI影像数据转为肩关节二维CT/MRI影像数据；
S200、图像去噪，提取图像中不同类型与尺度的噪点特征，通过自适应卷积滤波进行降采样滤波，得到去噪后的二维图像；
S300、区域增强，所述去噪二维图像进行边缘增强和区域平滑，得到增强后的二维图像；
S400、数据拼合，将所述增强后的二维图像按序列合成增强后的肩关节三维CT/MRI影像数据；
S500、二维分割，将所述增强后的肩关节二维CT/MRI影像数据，进行器官组织分割，得到相应的二维标签，将所述二维标签按序列合成三维标签并对所述三维标签进行三维建模，得到初步的三维分割效果；
S600、三维分割，将所述增强后的肩关节三维CT/MRI影像数据进行器官组织分割，得到相应的三维标签，对分割效果进行建模，生成立体的模拟三维效果；
S700、效果优化，利用二维分割参数引导补充三维分割，得到精准的三维分割效果；包括：
S710、权重引入，提取二维分割模块的分割结果生成的训练权重，引入三维分割作为引导补充；
S720、权重确定，如果二维分割模块的分割结果生成的训练权重可以降低损失，则更新训练权重，否则，直接采用三维分割网络的训练权重；
S800、制作假阳性三维标签，将所述精准的三维分割效果进行三维建模，并将生成的预测模型与标注的三维标签进行对比，把错误分割的软组织标注为假阳性三维标签；
S900、设计肩关节假体样本，排除软组织错误分割区域并建模，去除不相关的假阳性，提升分割性能，设计肩关节假体样本。
2.如权利要求1所述的人工肩关节假体设计方法，其特征在于，所述步骤S100包括：
S110、二维图像转换，针对所述原始肩关节三维CT/MRI影像数据，沿横截面、正视面和侧视面进行切片，分别得到横截面、正视面和侧视面的二维图像；
S120、格式转换，将每张所述二维图像转化成利于二维图像处理的格式。
3.如权利要求2的人工肩关节假体设计方法，其特征在于，所述步骤S500包括：
S510、二维图像分割，使用二维分割网络对横截面、正视面和侧视面的二维图像进行器官组织分割，得到对应的二维标签，包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签，分别生成三个视角的二维面罩区域，即分割出的区域，并对三个视角的二维分割效果进行融合，得到初步的三维分割效果，所述三个视角即横截面、正视面和侧视面；
S520、三维建模，保留融合后的二维分割网络的训练权重以及误差参数，将分割得到的二维标签按序列合成三维标签，对所述三维标签进行三维建模，得到初步的三维分割效果。
4.一种人工肩关节假体设计系统，使用如权利要求1-3任一所述的人工肩关节假体设计方法，其特征在于，包括：
影像增强模块，对原始肩关节三维CT/MRI影像数据进行优化处理，得到增强后的肩关节三维CT/MRI数据；
二维分割模块，对三个视角的肩关节二维CT/MRI影像数据进行器官组织分割和融合，得到初步的三维分割效果；
三维分割模块，利用三维分割网络，对所述增强后的肩关节三维CT/MRI影像数据进行分割和建模，生成立体的模拟三维效果，结合所述初步的三维分割效果，得到精准的三维分割效果；
排除假阳性模块，去除不相关的假阳性，提升分割性能；
所述影像增强模块与所述二维分割模块、所述三维分割模块分别通信连接，所述三维分割模块与所述排除假阳性模块通信连接。
5.如权利要求4所述人工肩关节假体设计系统，其特征在于，所述影像增强模块包括：
三维数据分解子模块，把所述原始肩关节三维CT/MRI影像数据沿横截面拍摄顺序分解为肩关节二维CT/MRI影像数据；
噪点特征提取子模块，提取所述肩关节二维CT/MRI影像数据中不同类型与尺度的噪点特征，得到噪点特征图；
图像去噪子模块，将不同类型的所述噪点特征进行融合，由所述肩关节二维CT/MRI影像数据与所述噪点特征图逐像素相减得到混合图像，通过自适应卷积滤波对所述混合图像进行降采样滤波，得到去噪后的二维图像；
区域增强子模块，通过导向滤波对所述去噪后的二维图像进行边缘增强和区域平滑，得到增强后的二维图像；
二维数据合成子模块，把所述增强后的二维图像沿横截面拍摄顺序重新拼叠，得到增强后的肩关节三维CT/MRI影像数据。
6.如权利要求5所述的人工肩关节假体设计系统，其特征在于，所述二维分割模块包括：
三视角切片子模块，沿横截面、正视面和侧视面三个视角对所述增强后的肩关节三维CT/MRI影像数据进行切片，把所述增强后的肩关节三维CT/MRI影像数据转为三视角的肩关节二维CT/MRI影像数据；
二维医学分割子模块，包括三个二维分割网络，利用所述二维分割网络分别对所述三视角的肩关节二维CT/MRI影像数据进行器官组织分割。
7.如权利要求6所述的人工肩关节假体设计系统，其特征在于，所述二维医学分割子模块采用基于Transformer的U型编码器-解码器网络。
8.如权利要求6所述的人工肩关节假体设计系统，其特征在于，所述二维医学分割子模块分割的二维标签包括肩胛骨二维标签、肱骨二维标签、锁骨二维标签、肩胛上肌二维标签、三角肌二维标签、冈上肌二维标签、冈下肌二维标签，二维分割生成的结果为三视角的二维面罩区域，即分割出的区域，并对三个视角的二维分割效果进行融合，得到初步的三维分割效果。
9.如权利要求4所述的人工肩关节假体设计系统，其特征在于，所述三维分割网络把所述增强后的肩关节三维CT/MRI影像数据分割，然后对分割效果进行建模，得到对应的三维标签，生成对分割后的三维标签所标注区域的模拟三维效果。
10.如权利要求9所述的人工肩关节假体设计系统，其特征在于，所述排除假阳性模块将错误分割的肩袖肌腱区域标注为假阳性三维标签，与所述分割后的三维标签加在一起重新训练，并在最终结果中排除假阳性三维标签。
CN202311663912.2A 2023-12-06 2023-12-06 一种人工肩关节假体设计系统及方法 Active CN117351215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311663912.2A CN117351215B (zh) 2023-12-06 2023-12-06 一种人工肩关节假体设计系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311663912.2A CN117351215B (zh) 2023-12-06 2023-12-06 一种人工肩关节假体设计系统及方法

Publications (2)

Publication Number Publication Date
CN117351215A CN117351215A (zh) 2024-01-05
CN117351215B true CN117351215B (zh) 2024-02-23

Family

ID=89367255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311663912.2A Active CN117351215B (zh) 2023-12-06 2023-12-06 一种人工肩关节假体设计系统及方法

Country Status (1)

Country Link
CN (1) CN117351215B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446951A (zh) * 2018-10-16 2019-03-08 腾讯科技（深圳）有限公司 三维图像的语义分割方法、装置、设备及存储介质
CN110648337A (zh) * 2019-09-23 2020-01-03 武汉联影医疗科技有限公司 髋关节分割方法、装置、电子设备和存储介质
CN110942464A (zh) * 2019-11-08 2020-03-31 浙江工业大学 一种融合2维和3维模型的pet图像分割方法
CN111696126A (zh) * 2020-05-18 2020-09-22 东南大学 一种基于多视角的多任务肝脏肿瘤图像分割方法
CN112150524A (zh) * 2020-09-29 2020-12-29 武汉大学 一种基于深度学习的二维和三维医学图像配准方法和系统
KR20210000542A (ko) * 2019-06-25 2021-01-05 서울여자대학교 산학협력단 의료영상에서의 특정연골 분할 방법 및 장치
KR20210020619A (ko) * 2019-08-16 2021-02-24 서울여자대학교 산학협력단 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법
CN113192036A (zh) * 2021-04-30 2021-07-30 哈尔滨理工大学 一种基于三维mri图像的多平面乳腺肿瘤分割方法
CN113487664A (zh) * 2021-07-23 2021-10-08 香港中文大学（深圳） 三维场景感知方法、装置、电子设备、机器人及介质
CN114041878A (zh) * 2021-10-19 2022-02-15 山东建筑大学 骨关节置换手术机器人的ct图像的三维重建方法及系统
CN114693671A (zh) * 2022-04-25 2022-07-01 香港中文大学（深圳） 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN114926470A (zh) * 2022-05-13 2022-08-19 上海交通大学宁波人工智能研究院 一种基于深度学习的阻生齿医学图像分割系统和方法
CN115294151A (zh) * 2022-07-01 2022-11-04 上海交通大学 基于多任务卷积模型的肺部ct感兴趣区域自动检测方法
WO2022257344A1 (zh) * 2021-06-07 2022-12-15 刘星宇 图像配准融合方法及装置、模型训练方法及电子设备
CN115690423A (zh) * 2022-11-10 2023-02-03 湖南科技大学 一种基于深度学习的ct序列图像肝脏肿瘤分割方法
CN115861248A (zh) * 2022-12-12 2023-03-28 上海介航机器人有限公司 医学图像分割方法、医学模型训练方法、装置和存储介质
CN116523926A (zh) * 2023-03-27 2023-08-01 北京理工大学 多任务骨关节ct/mri融合的组织精准分割建模方法及装置
CN116612174A (zh) * 2023-06-02 2023-08-18 青岛大学附属医院 软组织的三维重建方法、系统及计算机存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11776128B2 (en) * 2020-12-11 2023-10-03 Siemens Healthcare Gmbh Automatic detection of lesions in medical images using 2D and 3D deep learning networks

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446951A (zh) * 2018-10-16 2019-03-08 腾讯科技（深圳）有限公司 三维图像的语义分割方法、装置、设备及存储介质
KR20210000542A (ko) * 2019-06-25 2021-01-05 서울여자대학교 산학협력단 의료영상에서의 특정연골 분할 방법 및 장치
KR20210020619A (ko) * 2019-08-16 2021-02-24 서울여자대학교 산학협력단 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법
CN110648337A (zh) * 2019-09-23 2020-01-03 武汉联影医疗科技有限公司 髋关节分割方法、装置、电子设备和存储介质
CN110942464A (zh) * 2019-11-08 2020-03-31 浙江工业大学 一种融合2维和3维模型的pet图像分割方法
CN111696126A (zh) * 2020-05-18 2020-09-22 东南大学 一种基于多视角的多任务肝脏肿瘤图像分割方法
CN112150524A (zh) * 2020-09-29 2020-12-29 武汉大学 一种基于深度学习的二维和三维医学图像配准方法和系统
CN113192036A (zh) * 2021-04-30 2021-07-30 哈尔滨理工大学 一种基于三维mri图像的多平面乳腺肿瘤分割方法
WO2022257344A1 (zh) * 2021-06-07 2022-12-15 刘星宇 图像配准融合方法及装置、模型训练方法及电子设备
CN113487664A (zh) * 2021-07-23 2021-10-08 香港中文大学（深圳） 三维场景感知方法、装置、电子设备、机器人及介质
CN114041878A (zh) * 2021-10-19 2022-02-15 山东建筑大学 骨关节置换手术机器人的ct图像的三维重建方法及系统
CN114693671A (zh) * 2022-04-25 2022-07-01 香港中文大学（深圳） 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN114926470A (zh) * 2022-05-13 2022-08-19 上海交通大学宁波人工智能研究院 一种基于深度学习的阻生齿医学图像分割系统和方法
CN115294151A (zh) * 2022-07-01 2022-11-04 上海交通大学 基于多任务卷积模型的肺部ct感兴趣区域自动检测方法
CN115690423A (zh) * 2022-11-10 2023-02-03 湖南科技大学 一种基于深度学习的ct序列图像肝脏肿瘤分割方法
CN115861248A (zh) * 2022-12-12 2023-03-28 上海介航机器人有限公司 医学图像分割方法、医学模型训练方法、装置和存储介质
CN116523926A (zh) * 2023-03-27 2023-08-01 北京理工大学 多任务骨关节ct/mri融合的组织精准分割建模方法及装置
CN116612174A (zh) * 2023-06-02 2023-08-18 青岛大学附属医院 软组织的三维重建方法、系统及计算机存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
3D End-to-End Boundary-Aware Networks for Pancreas Segmentation;Ji Li等;2022 IEEE International Conference on Image Processing (ICIP);第2031-2035页 *
应用图像块和全卷积神经网络的肩关节MRI自动分割;刘云鹏;蔡文立;洪国斌;王仁芳;金冉;;中国图象图形学报(第10期);全文 *
联合2D和3D网络的脑肿瘤MRI自动分割方法;汪明君;中国优秀硕士学位论文全文数据库医药卫生科技辑;第第2023卷卷(第第02期期);第4节 *

Also Published As

Publication number Publication date
CN117351215A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
US11813165B2 (en) Bone reconstruction and orthopedic implants
CN102438559B (zh) 智能软骨系统
CN111134840B (zh) 膝关节置换手术方案的生成装置和终端
CN111652888B (zh) 基于深度学习的确定髓腔解剖轴线的方法及装置
WO2024001140A1 (zh) 一种椎体亚区域分割方法、装置及存储介质
Vlachopoulos et al. A scale-space curvature matching algorithm for the reconstruction of complex proximal humeral fractures
CN114261095B (zh) 一种基于ai的骨科3d打印方法和装置
CN117351215B (zh) 一种人工肩关节假体设计系统及方法
CN110782976B (zh) 一种全膝关节置换术假体型号预测方法
CN115252233B (zh) 基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法
CN115358995A (zh) 基于多模态信息融合的全自动空间注册系统
CN115137342A (zh) 基于深度学习的图像采集医学系统和方法
Zhou et al. Improving inter-fragmentary alignment for virtual 3D reconstruction of highly fragmented bone fractures
Liu A system for computational analysis and reconstruction of 3D comminuted bone fractures
CN117637137A (zh) 一种膝关节手术导航系统及其假体推荐方法
CN117274631A (zh) 一种基于ai算法的医学影像特征点自动识别方法
CN117952911A (zh) 骨性长度不等的全下肢图像处理方法、装置、设备及介质

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